Traducido del inglés al español - www.onlinedoctranslator.

com

Producción y consumo sostenibles 29 (2022) 141–157

Listas de contenidos disponibles enCienciaDirecta

Producción y Consumo Sostenible

revista Página de inicio:www.elsevier.com/locate/spc

Pronóstico de la demanda de energía relacionada con el transporte y CO2

emisiones en Turquía con diferentes algoritmos de aprendizaje automático

Ümit Agbulut
Departamento de Ingeniería Mecánica, Facultad de Ingeniería, Universidad de Düzce, 81620, Düzce, Turquía

información del artículo resumen

Historial del artículo: Los impactos adversos del sector del transporte no solo en la calidad del aire sino también en el crecimiento económico de un
Recibido el 18 de julio de 2021 Revisado el 21
país son bien conocidos hoy en día, particularmente en los países en desarrollo. Hoy en día, el sector del transporte se
de septiembre de 2021 Aceptado el 4 de
alimenta de la quema de combustibles fósiles en más del 99 % y se producen aproximadamente 6,5 millones de muertes al
octubre de 2021 Disponible en línea el 6 de
año debido a enfermedades relacionadas con la contaminación del aire en todo el mundo. Por lo tanto, el conocimiento tanto
octubre de 2021
de la demanda energética como del CO2emisiones de un país es un tema muy importante para revisar sus futuras inversiones
Editor: Dr. Jingzheng Ren y políticas energéticas. En este marco, se utilizan tres algoritmos de aprendizaje automático (aprendizaje profundo (DL),
máquina de vectores de soporte (SVM) y red neuronal artificial (ANN)) para pronosticar el CO basado en el transporte.2
Palabras clave:

sector transporte emisiones y demanda de energía en Turquía. El producto interno bruto per cápita (PIB), la población, el kilómetro del
La huella de carbono vehículo y el año se utilizan como parámetros de entrada en el estudio. Se observa que existe una correlación muy
Demanda de energía alta entre el año, los indicadores económicos, la población, el kilómetro del vehículo, la demanda de energía basada
emisiones de GEI en el transporte y el CO2emisiones Para presentar una mejor comparación, los resultados de estos algoritmos se
CO2emisiones discuten con seis métricas estadísticas de uso frecuente (R2, RMSE, MAPE, MBE, rRMSE y MABE). Para todos los
algoritmos de aprendizaje automático, R2los valores varían entre 0,8639 y 0,9235, y RMSE es menor que 5×106
toneladas de CO2emisión y 2 Mtep para la demanda de energía. De acuerdo con las clasificaciones en la literatura, los
resultados del pronóstico generalmente se clasifican como "excelentes" para la métrica rRMSE (<10%) y "alta precisión de
predicción" para la métrica MAPE (<10%). Por otro lado, con dos modelos matemáticos, la demanda energética futura y el CO2
Las emisiones derivadas del sector del transporte en Turquía se pronostican para el año 2050. En los resultados, se pronostica
que la tasa de crecimiento anual de la demanda de energía relacionada con el transporte y el CO2las emisiones en Turquía
aumentan acumulativamente un 3,7 % y un 3,65 %, respectivamente. Tanto la demanda de energía como el CO2
Las emisiones del sector del transporte en Turquía aumentarán casi 3,4 veces más en el año 2050 que las actuales.
En conclusión, el documento informa claramente que las futuras inversiones energéticas del país deben ser
revisadas, y varias políticas, regulaciones, normas, restricciones, legislaciones y desafíos tanto en el consumo de
energía como en la mitigación de emisiones del sector transporte deben ser establecidos por la política. -fabricantes.

© 2021 Institución de Ingenieros Químicos. Publicado por Elsevier BV Todos los derechos reservados.

1. Introducción
El sector del transporte es una herramienta fundamental para que muchas
actividades como la movilidad de los pasajeros, y el abastecimiento de mercancías
sean sostenibles en la vida diaria (Manoj Kumar y Dash, 2017;Onat et al., 2014). Sin
embargo, este sector ha continuado su sustentabilidad por la quema de
combustibles de origen fósil en los motores de combustión interna (Santos et al.,
2021). Lamentablemente, estos combustibles no son fuentes de energía
renovables ni limpias (Tarhan y Çil, 2021). Además, más de la mitad de la
producción mundial de petróleo se consume en el sector del transporte (Kodjak,
2015), lo que lleva al rápido agotamiento de las reservas fósiles. En consecuencia,
los precios de los combustibles han mostrado incrementos paulatinos (Yaman et
al., 2021). En realidad, estos incrementos
Dirección de correo electrónico:umitagbulut@duzce.edu.tr
Los cambios en los precios no son el único problema que surge del sector
del transporte que el mundo ha presenciado hoy en día, sino también como
resultado de un consumo tan alto, este sector por sí solo contribuye a
aproximadamente una cuarta parte de las emisiones globales de dióxido de
carbono antropogénico (Kodjak, 2015;Touratier-Muller et al., 2019). Durante
las últimas décadas, los temas de la huella de carbono y el consumo de
energía han sido las principales preocupaciones de los hacedores de
políticas, ya que tanto el efecto de la huella de carbono en la salud humana
como el efecto del consumo de energía en el desarrollo económico nacional
de los gobiernos como un obstáculo ha sido más evidente en el mundo de
hoy (Bakay y Agbulut, 2021;Ahmed et al., 2020). Paralelamente a los
desarrollos sociales y económicos, la demanda de energía ha aumentado en
todo el mundo. En consecuencia, la tasa de rápido crecimiento de la
población, los avances tecnológicos, la urbanización y la mejora
socioeconómica en Turquía, al igual que en otros países

https://doi.org/10.1016/j.spc.2021.10.001
2352-5509/© 2021 Instituto de Ingenieros Químicos. Publicado por Elsevier BV Todos los derechos reservados.
Ü. Agbulut
han llevado acumulativamente a un incremento en la demanda de energía
para muchos sectores, así como a un incremento en las emisiones globales
de carbono (Guleryuz, 2021;Turgut et al., 2021). Las emisiones de carbono
también afectan la salud humana de dos maneras: directa e indirectamente.
Primero, cuando las emisiones de carbono se inhalan en dosis altas, tienen
efectos directos en el sistema respiratorio de las personas y pueden causar
problemas graves como dificultad para respirar, dolor de cabeza, mareos,
debilidad, fatiga e incluso delirio (Dong et al., 2021;Sánchez-Ccoyllo et al.,
2007;Sechzer et al., 1960). En segundo lugar, afecta indirectamente a las
personas al causar problemas globales importantes, como el calentamiento
global, el cambio climático y las lluvias ácidas (Bakay y Agbulut, 2021;Liu et
al., 2020;Xu et al., 2015). Todos estos problemas son de gran importancia
tanto para el medio ambiente como para los seres humanos, y parece que la
única forma de reducir sus impactos es mitigar su liberación. Además de las
emisiones de carbono, el sector del transporte también libera otras
emisiones importantes de contaminantes atmosféricos, como PM2.5, PM10,
ASI QUE2, norte2O, etc (Colvile et al., 2001;Magazzino et al., 2020; Shrivastava
et al., 2013). Según el informe publicado por The Lancet en el año 2016,
anualmente se producen alrededor de 6,5 millones de muertes por
enfermedades provocadas por la contaminación del aire en todo el mundo, y
esto es más que la combinación de tuberculosis, SIDA/VIH y accidentes de
tráfico (Lanceta, 2016).
Es de gran importancia establecer el nexo entre el consumo de
energía y la contaminación del aire, y comprender el mecanismo detrás
del consumo de energía y los desencadenantes de los contaminantes
del aire a escala regional y mundial (Él y Lin, 2019). Se acepta que el
consumo de combustibles fósiles es la fuente principal más grave de
contaminación del aire en todo el mundo (Bakay y Agbulut, 2021;Yıldız
et al., 2020). Hoy en día, la demanda de energía primaria del mundo se
satisface con la quema de combustibles fósiles en una proporción
respetable del 85% (Petróleo británico, 2018). Numéricamente, las
emisiones globales de gases de efecto invernadero (GEI) en el año 2016
equivalen a casi 50 mil millones de toneladas de CO2- equivalente (
Ritchie y Roser, 2017), mientras que los de Turquía equivalen a casi 500
millones de toneladas de CO2-eq en el mismo año (Turkstat, 2020).
Entre las emisiones de GEI, la mayor parte pertenece al CO2emisiones
en Turquía. Numéricamente, CO2La emisión en Turquía representa el
69% de las emisiones totales de GEI en 1990, y esta proporción alcanzó
el 80,5% en el año 2018 (Bakay y Agbulut, 2021). El sector del transporte
es uno de los mayores contribuyentes a las emisiones de GEI con una
tasa del 23,2 % en Turquía (Güzel y Alp, 2020;CMNUCC (Convención
Marco de las Naciones Unidas sobre el Cambio Climático) 2019). Por
otro lado, la participación del sector transporte en las emisiones
globales de GEI también es igual al 14% (Pichs-Madruga et al., 2014). En
consecuencia, se ve obviamente que las emisiones de GEI derivadas del
sector del transporte en Turquía son muy superiores a las del promedio
mundial. Por lo tanto, parece lógico que el país se enfoque primero en
reducir las emisiones del sector transporte. Sin embargo, no se puede
esperar que esta reducción de emisiones se corte con un cambio
brusco en poco tiempo. Es necesario hacer planes de corto, mediano y
largo plazo en el país. Con este punto de vista, es de gran importancia
para Turquía conocer su emisión basada en el transporte en los
próximos años y debe revisar sus inversiones y planes, en
consecuencia. Además, con la reducción de la huella de carbono del
sector del transporte, también será más fácil para un país como
Turquía,Akyol y Uçar, 2021) para alcanzar niveles satisfactorios en las
emisiones de GEI. En este marco, las emisiones de GEI provenientes de
los sectores relacionados con la energía se encuentran en un lugar
estratégico para los gobiernos. Los sectores relacionados con la
energía son los que más contribuyen a las emisiones de gases de efecto
invernadero a nivel mundial y nacional con una proporción del 73 % (
Ritchie y Roser, 2017).Figura 1ilustra las proporciones del consumo
total de energía final (global) por sector tanto en los años 1971 en
Figura 1(a) y 2018 enFigura 1(b), por separado.
Según el informe World Energy Balances publicado por la Agencia
Internacional de la Energía en el año 2020, el mayor gasto final
142
Producción y consumo sostenibles 29 (2022) 141–157
Las participaciones en el consumo de energía entre los sectores
pertenecen a la industria con una tasa del 38%, transporte con una tasa
del 28% y residencial con una tasa del 21% en el año 2018 (Balances
energéticos mundiales, 2020). Además, el consumo final aumentó de
4243 Mtep a 9938 Mtep de 1971 a 2018. Es decir, el consumo de
energía se ha disparado 2,3 veces entre estos años. Se prevé que las
necesidades energéticas del mundo aumenten exponencialmente en
los próximos años. En particular, este incremento será más visible en
aquellos países en los que se presenten mayores tasas de crecimiento
económico (Choudhari et al., 2020).
Dado el cambio de crecimiento de los sectores en los últimos años, el
cambio en el crecimiento del consumo total de energía se ha estancado en
general, mientras que el incremento más fuerte se nota para el sector del
transporte con más de un 20% de aumento (VerFigura 1). Este incremento es
de gran importancia porque el sector del transporte hoy en día quema
combustibles de origen fósil, que son los responsables de la contaminación
del aire (Wei et al., 2021). La mayor parte del sector del transporte se
abastece de combustibles líquidos basados en carbono y contribuye en
gran medida a las emisiones de gases de efecto invernadero y la calidad del
aire (Huang et al., 2020). Numéricamente, el sector transporte representa el
24,5% de las emisiones de gases de efecto invernadero relacionadas con la
energía en el año 2017 (AIE, 2017;Jilte et al., 2021;Yan et al., 2017). De hecho,
los vehículos han jugado un papel respetable en la red de transporte, y casi
todos ellos en las carreteras han sido propulsados por motores de
combustión interna, que liberan en gran medida las emisiones de gases de
efecto invernadero a la atmósfera (Bakay y Agbulut, 2021;Andersson y
Börjesson, 2021;Ternel et al., 2021). En otras palabras, el sector del
transporte global actualmente funciona con combustibles fósiles a una tasa
de más del 99% (Leach et al., 2020;Agbulut et al., 2020; Kalghatgi et al., 2018
), y los combustibles líquidos derivados del petróleo representan el 95% de
esta tasa (Leach et al., 2020). Además, según el informe de la Oficina de
Estadísticas de Australia, se están liberando a la atmósfera 2,3, 2,7 y 1,6
kilogramos de emisiones de gases de efecto invernadero en los casos de
quemar por separado solo un litro de gasolina, diésel y gas licuado de
petróleo en combustión interna. motores, respectivamente (Oficina de
Estadísticas de Australia, 2020). Está claro que este uso dominante de
combustibles de origen fósil en el sector del transporte ha provocado un
aumento sorprendente de las emisiones de gases de efecto invernadero en
todo el mundo a corto y largo plazo. Además, la cantidad de vehículos en las
carreteras aumenta exponencialmente día a día con el incremento de la
población y el nivel de vida en todo el mundo (Afzal et al., 2019). Incluso las
estadísticas revelan que en el año 2050 habrá tres veces más vehículos en el
mundo que en la actualidad (Ahmadí, 2019).
Durante las últimas dos décadas, Turquía ha experimentado un rápido
aumento en la población de vehículos debido a los incrementos en la
población humana y el nivel de vida. Esta tendencia en la dirección del
incremento, sin duda, seguirá aumentando en los próximos años. Este
incremento en el número de vehículos y el consecuente incremento en el
consumo de combustible también ha desencadenado el incremento en la
demanda de energía y dióxido de carbono (CO2) emisiones. Para ser
honesto, esto no solo ha causado un aumento notable en los gases de
efecto invernadero de Turquía año tras año, sino que también afecta
negativamente a la economía de Turquía como un país que tiene una alta
dependencia de casi el 75% de su necesidad total de energía (Gurel et al.,
2020). En consecuencia, Turquía se ha convertido rápidamente en uno de los
países que sufren tanto un consumo excesivo de energía como una
contaminación del aire en poco tiempo. Por lo tanto, algunos pasos
concretos deben ser tomados por los tomadores de decisiones y
formuladores de políticas en el país. Tanto el ahorro en el consumo de
energía como la mitigación de las emisiones para el país son un tema que se
debe tomar en consideración en conjunto. Al dar estos pasos, es vital
conocer y evaluar los datos históricos del país y comprender la relación
entre los elementos, y pronosticar los datos futuros para que los gobiernos
puedan revisar su política de consumo de energía para el sector transporte
en el futuro. Por lo tanto, los estudios
Ü. Agbulut
Figura 1.Consumo total de energía final por sectores en los años (a) 1971 y (b) 2018 (Los gráficos elaborados según los datos extraídos de la ref (Balances energéticos mundiales 2020).
sobre el pronóstico de los elementos de emisión de energía para un país es
siempre un tema candente de interés para los investigadores (revista, 2016;
Nguyen et al., 2021;Pao et al., 2012). Además, en los últimos años, varias
políticas, regulaciones, normas, restricciones, legislaciones y desafíos tanto
en el uso de energía como en la mitigación de emisiones han llevado a un
aumento acelerado en la popularidad de estos estudios. Es por eso que
muchos investigadores se dedican a comprender las relaciones entre el
consumo de energía y las tendencias de emisión de los países.
En la literatura relevante, se han estudiado varios métodos que
incluyen varios algoritmos, teorías y modelos matemáticos para el
seguimiento de tendencias, modelado y pronóstico de CO2emisiones,
hasta ahora. En general, los estudios sobre la previsión de CO2
Las emisiones y la demanda de energía para Turquía y otros países se han
centrado principalmente en el conjunto de datos de consumo de energía
general de los países relevantes. Sin embargo, es posible encontrar algunos
artículos en CO2y/u otro pronóstico de emisiones de GEI de Turquía
utilizando el conjunto de datos de transporte, pero el número de esos
estudios es muy limitado.tabla 1brinda un resumen completo de los estudios
previos centrados en el CO2y previsión de la demanda de energía.
Tabla 2
Como se puede ver en la literatura, con frecuencia se han aplicado
varias técnicas para pronosticar con precisión tanto el CO2
emisión y demanda de energía. Los documentos relevantes han revelado que la
población, el vehículo-kilómetro, la importación y exportación de energía, el
producto interno bruto, el precio del petróleo, el pasajero-kilómetro, el vehículo-
kilómetro anual, el CO histórico2,y las tendencias energéticas históricas tienen una
fuerte correlación con la demanda de energía y el CO2emisiones para las regiones
y países relevantes. Según el conocimiento del autor, no existe ningún estudio que
use aprendizaje profundo y algoritmos de máquinas de vectores de soporte para
pronosticar el CO basado en el transporte.2
emisiones y/o demanda de energía para Turquía, hasta ahora. Además, de la
literatura disponible se desprende que los estudios se han centrado generalmente
en pronosticar la demanda de energía o el CO2emisiones de un país. Para llenar
este vacío, este estudio tiene como objetivo pronosticar el CO basado en el
transporte.2emisión y demanda de energía en Turquía mediante el uso de
aprendizaje profundo (DL), máquina de vectores de soporte (SVM), red neuronal
artificial, modelos de regresión lineal y exponencial. El conjunto de datos incluye el
PIB, la población humana, el vehículo-kilómetro y el año como parámetros de
entrada, y también el consumo de energía del transporte y el CO basado en el
transporte.2emisiones entre los años 1970 y 2016 como parámetros de salida. En
primer lugar, para observar la
143
Producción y consumo sostenibles 29 (2022) 141–157
éxito de rendimiento de los algoritmos de aprendizaje automático en
términos de CO2pronóstico de emisiones y demanda de energía, el conjunto
de datos de 1970 a 2002 se usa para entrenar los algoritmos, y luego los
últimos 14 años (2003–2016) se pronostican con tres algoritmos. Luego,
algunas métricas estadísticas significativas que incluyen R2, RMSE, MAPE,
MBE, rRMSE y MABE se utilizan para analizar el rendimiento de los
algoritmos. En la segunda etapa, se crean dos modelos matemáticos en
función de la variable año para pronosticar el transporte futuro basado en
CO2emisiones y demanda de energía en Turquía, y ambas salidas están
previstas para el año 2050.
El resto del presente documento está organizado de la siguiente manera:
Sección 2brinda detalles sobre la recopilación y las fuentes de datos, la
relación entre las variables de entrada y salida, las estadísticas descriptivas
del conjunto de datos, los algoritmos de aprendizaje automático y sus
parámetros, y los modelos matemáticos. Después,Seccion 3define los
puntos de referencia estadísticos, las fórmulas, la descripción y los criterios
de éxito. Sección 4presenta los resultados y la discusión logrados a partir de
los algoritmos y modelos matemáticos, y los gráficos se discuten en
profundidad. Los resultados se clasifican para mostrar la capacidad de éxito
de los algoritmos de acuerdo con la clasificación utilizada en la literatura.
Finalmente, el trabajo finaliza con las observaciones finales enSección 5.
Además, en esta sección se comparten los principales hallazgos y algunas
sugerencias para futuros trabajos y tomadores de decisiones sobre
inversiones en energía.
2. Metodología
En esta sección, se presenta información detallada sobre el origen
de los datos, los algoritmos de aprendizaje automático y los modelos
matemáticos utilizados. La correlación entre cada elemento del
conjunto de datos se analiza enSección 2.1. Luego, los parámetros de
aprendizaje automático optimizados y las ecuaciones matemáticas que
funcionan detrás de los algoritmos se muestran enSección 2.2, y luego
los detalles de los modelos matemáticos se dan enSección 2.3.
2.1. Recopilación de datos
El conjunto de datos utilizado en este documento incluye el producto
interno bruto per cápita (PIB), la población (millones), el vehículo por
kilómetro, el año, el consumo/demanda de energía del transporte (Mtep), la
emisión de dióxido de carbono basada en el transporte (CO2) A través de los
años. Entre estos, el PIB, la población, el número de vehículos y los datos del
año se utilizan como parámetros de entrada, y las partes restantes (energía
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

tabla 1
Un resumen de los trabajos de literatura sobre consumo de energía y/o CO2emisiones

referencia, año Modelo conjunto de datos Región Pronóstico Aporte Producción Métricas estadísticas

(Ayvaz et al., 2017) gm, 1965 y Pavo 2015-2030 Relacionado con la energía CO2 MAPE, MSE y
2014 RMSE
(Hamzacebi y GM 1965-2012 Pavo 2013-2025 Relacionado con la energía CO2 MAE, MAPE, C
Karakurt, 2015) C= tasa de error
(Sol y Liu, 2016) SVM, GM y 1978-2008 Porcelana 2009-2012 industrias principales CO2 MAPE, MaxAPE,
BPNN y residencial MdAPE, RMSE
consumo
(Lotfalipour et al., ARIMA y GM 1965-2010 Irán 2011-2020 CO anterior2datos CO2 RMSE, MAE y
2013) MAPA
(Aydín, 2015) Modelos de regresión 1971-2010 Pavo 2011-2025 PIB, Población, CO2 R2
y energía
consumo
(Sahin, 2019) ( GM 1995-2016 Pavo 2017-2025 CO anterior2datos CO2 MONO, MAPA
Ozturk y ARIMA 1970-2015 Pavo 2016-2040 Energía anterior Energía –
Ozturk, 2018) datos de consumo consumo
(Akcan et al., 2018) ( ARIMA 1990-2013 Pavo 2014-2018 Diferentes sectores emisiones de GEI YO, MAE, RMSE
Sonmez et al., 2017) Algoritmo ABC y 1970-2013 Pavo 2014-2034 PIB, población, Transportación R2, RMS, MAE,
modelos de regresión y anual demanda de energía MAPE, Std_AE,
vehículo-km Std_APE
(Kankal y ANA 1980-2012 Pavo 2013-2018 PIB, población, Demanda de energía RMSE, MAE
Uzlú, 2017) importación y exportación

(Beskirli et al., 2018) algas artificiales 1979-2005 Pavo 2006-2025 PIB, importación, Demanda de energía MRE
Algoritmo (AAA) exportar, y
regresión basada población
(Unler, 2008) lineal y 1979-2005 Pavo Hasta 2025 Población, PIB, Demanda de energía R2
cuadrático importación-exportación, y
regresión tasa de crecimiento

(Kiran et al., 2012) Regresión basada en 1979-2006 Pavo 2007-2025 PIB, población, Demanda de energía R2
PSO y ABC importación y exportación

(Korkmaz y Polinización de flores 1970-2016 Pavo 2017-2035 Anual Transportación R2, RMSE, MAE,
Akgüngör, 2018) algoritmo y Vehículo-km, PIB, demanda de energía MAPE, Std_AE,
matemático y compañía2 Std_APE
modelos
(Tutún et al., 2015) Regresiones y 1975-2010 Pavo 2010-2020 Importaciones, exportaciones, Demanda de energía MAPE, RMSE, MSE,
ANA generación bruta, MAE, SSE (suma
transmitido error cuadrado)
energía
(Ofosu- GM 2005-2018 Porcelana 2018-2030 industria del cemento CO2 MAPE, RMSE, MAE
Adarkwa, Xie y
Javed, 2020)
(Çodur y ANA 1975-2016 Pavo 2017-2030 PIB, población, Transportación AE, mono, R2, RMSE,
final, 2019) vehículo –km, aceite demanda de energía MAE, MAPE, MSE
precio, pasajero
km, tonelada km
(Toksari, 2007) lineal y 1979-2005 Pavo Hasta 2025 Población, PIB, Demanda de energía R2
cuadrático importar y exportar
regresión
papel presente DL, ANN, SVM, 1970-2016 Pavo Hasta 2050 PIB, población, Transportación R2,, RMSE, MAPE,
matemático vehículo –km, año energía relacionada MBE, rRMSE y
modelos demanda y MABE.
CO2

Tabla 2
Parámetros de entrada, fuente de datos e influencias en los parámetros de salida.

Etiqueta Fuente ¿Factores que influyen en la preselección?

PIB Banco Mundial Existe una alta correlación entre el PIB-consumo de energía y el PIB-CO2emisiones en función de la cantidad
de consumo de energía. Cualquier cambio en el PIB influye en gran medida en las tendencias futuras de
energía y emisiones.
Población Banco Mundial A medida que aumenta la población, la demanda de cualquier país, sin duda, aumenta.
Correspondientemente, el nivel de emisión se ve afectado directamente en el mismo.
∗kilómetro del vehículo Estadística turca Este valor depende del número de vehículo registrado al tránsito en el país. A medida que este valor
Instituto (TurkStat) aumenta anualmente, se entiende que tanto el consumo de energía como la huella de carbono del
sector del transporte aumentarán.
Año – A medida que pasen los años, se prevé que habrá un aumento en todo tipo de demanda y emisión de
energía para los países a partir de los datos históricos.
∗Se incluyen turismos, minibuses, autobuses, camiones pequeños, camiones (también se incluyen camiones cisterna y tractores de carretera) y motocicletas. Se calcula utilizando los registros
administrativos recopilados a partir de los odómetros de las estaciones de inspección de vehículos.

144
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Tabla 3
Estadísticas descriptivas del conjunto de datos.

Etiqueta Año kilómetro del vehículo PIB (US$) Población Contras de energía (Mep) CO2(106tonelada)

Mediana 1993 42.33 4375.17 56,605,264 10.75 34.12

Error estándar 2 4.49 567.19 1.916.035,6 0.86 2.23
Desviación Estándar 13.71 30.76 3888.46 13.135.678,4 5.87 15.27
curtosis − 1,20 − 0,09 − 0,52 − 1,15 0.31 − 0,20
Oblicuidad 0.00 0.91 1.00 0.02 0,95 0,62
Rango 46 113.19 12.159,38 44.945.421 22.67 57.12
Mínimo 1970 6.48 455.10 34.876.303 3.21 11.50
Máximo 2016 119.67 12.614,48 79,821,724 25.88 68.62
Observación 47 47 47 47 47 47

Figura 2.Parámetros de entrada y salida normalizados.

consumo y CO2emisiones del sector del transporte) también se utiliza como
datos de salida. Además, el conjunto de datos cubre los años 1970-2016. El
PIB, CO2Los datos de consumo de energía basados en el transporte, la
población y el transporte fueron proporcionados por el Banco Mundial (
Banco Mundial, 2020). Los datos de kilometraje del vehículo se tomaron del
Instituto de Estadística de Turquía (TurkStat 2021d) y la Dirección General de
Carreteras de Turquía (TGDH, 2020).
Las estadísticas descriptivas del conjunto de datos utilizado en este estudio se
dan en detalle enTabla 3.
Dado que las diferencias entre las escalas de magnitud de cada
parámetro, no se pretende dar los datos en un gráfico. Por lo tanto, es una
mejor manera de convertir cada parámetro en una forma escalada. En
consecuencia, cada parámetro se convirtió a una forma normalizada que va
de 0 a 1 en este documento.ecuación (1)muestra cómo los datos reales se
convierten en datos normalizados.
X1− X1(min)
X1(normalizado)=
X1(máximo)−X1(min)
Donde X1se refiere a los datos reales, y X1(min)es el valor mínimo entre
todos los X1valores en el conjunto de datos. Del mismo modo, X1(máximo)
representa el máximo X1valor entre todos X1valores en el conjunto de
datos. En consecuencia, X1(normalizado)muestra la X normalizada1valor, y
cambia entre 0 y 1. EnFigura 2, cada atributo, incluidos los parámetros
de entrada y salida, se puede ver como la forma normalizada.
Como se puede ver en la figura, cada parámetro tiene una tendencia de
incremento a lo largo de los años, incluso si han exhibido algunas
tendencias al alza y a la baja durante algún período de la historia. Para
proporcionar la relación entre los parámetros de entrada y salida,Tabla 4da
el valor de correlación de cada parámetro de entrada contra cada parámetro
de salida.
Como puede verse enTabla 4, los valores de correlación están
cambiando de 0,8993 a 0,9997. Es posible clasificar la relación entre los
parámetros de entrada y salida en función de los coeficientes de
correlación. En consecuencia, el coeficiente de correlación se puede
interpretar de la siguiente manera según los trabajos de la literatura (
Bakay y Agbulut, 2021;Hidecker et al., 2012;Swinscow y Campbell, 2002
).
• |r|≥0,8 relación muy fuerte;
• 0.6≤|r|<0,8 relación fuerte;
• 0.4≤|r|<0,6 relación moderada;
(1)
• 0.2≤|r|<0,4 relación débil;
• |r|<0.2 relación muy débil.
Con base en esta clasificación, se puede concluir que existe una relación
muy fuerte entre cada parámetro de entrada y salida. En consecuencia, estas
entradas se utilizan para entrenar los algoritmos de aprendizaje automático
para la predicción del CO basado en el transporte.2Demanda de energía
basada en emisiones y transporte en Turquía.

145
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Tabla 4
Valores de correlación de las variables entre sí.

Etiqueta Años Vehículo km PIB Estallido Contras de energía. CO2

Años 1 – – – – –
Vehículo km 0.9467 1 – – – –
PIB 0.9006 0.9535 1 – – –
Estallido 0.9997 0.9498 0.8993 1 – –
Contras de energía. 0.9412 0.9864 0.9336 0.9456 1 –
CO2 0.9565 0.9864 0.9207 0,96 0.9856 1

Parámetros de entrada: Años, km del vehículo, PIB, Pop y Parámetros de salida: Consumo de energía y
CO2.

2.2. Algoritmos de aprendizaje automático
El aprendizaje automático es un método de inteligencia artificial (IA) de
uso frecuente en el que los procesos de clasificación, regresión y decisión se
pueden aplicar en diferentes áreas, desde la salud hasta la ingeniería (
Senturk y Bakay, 2021;Alpaydin, 2020;Akour et al., 2021; Quiroz et al., 2021).
Los algoritmos de aprendizaje automático garantizan una capacidad de
precisión muy satisfactoria. En la presente investigación, se estudian tres
algoritmos de aprendizaje automático: red neuronal artificial (ANN),
máquina de vector de soporte (SVM) y aprendizaje profundo (DL), utilizando
RapidMiner Studio versión 9.5 en la predicción del consumo de energía
basado en el transporte y CO.2emisiones
2.2.1. Algoritmo de red neuronal artificial (ANN)
Las redes neuronales artificiales (ANN) son probablemente el algoritmo
más utilizado entre los algoritmos de inteligencia artificial (IA) y se inspiran
en las redes neuronales biológicas en el cerebro y las imitan mediante la
simplificación.Zhelavskaya et al., 2018). Este algoritmo básicamente simula el
funcionamiento del sistema nervioso biológico. Al igual que en un sistema
biológico, primero intenta aprender los sistemas y luego generaliza los
resultados. Tiene una gran capacidad para predecir sistemas no lineales y
complejos; por lo tanto, de uso frecuente en muchos campos. En la presente
investigación, se utilizaron redes neuronales de avance de múltiples capas
denominadas perceptrón multicapa (MLP en este documento). Como es bien
sabido, el algoritmo de retropropagación fue un método comúnmente
utilizado para entrenar MLP. Técnicamente funciona abordando el complejo
nexo entre los datos de entrada y salida y ajustando los valores de peso en el
MLP. Las funciones generales de salida y error de MLP se establecen como
enecuaciones (2)y ((3)(de Ramón-Fernández et al., 2020;Saber et al., 2019).
( )
L,METRO(
∑ )
1992. Luego, tiene un interés acelerado para el investigador en varios
campos gracias a su alta efectividad y factibilidad como técnica de
aprendizaje automático utilizada para clasificación y regresión. Sin embargo,
existen algunas ventajas significativas para el algoritmo SVM en
comparación con otros algoritmos de aprendizaje automático. SVM funciona
de acuerdo con la teoría del aprendizaje estadístico y los principios de
minimizar el riesgo estructural. En consecuencia, muestra un intento de
hacer retroceder el límite superior del error en la generalización en lugar de
hacer retroceder el error en la etapa de entrenamiento local. Esta es la
característica más obvia que distingue al algoritmo SVM de otros algoritmos
de máquina basados en el aprendizaje (Chen et al., 2013a; Vapnik, 2013).
Un hiperplano, creado por SVM, se determina para las funciones lineales
f como enecuación (4)cuando un conjunto de puntos de datos se dan como
PAGS={(Xi,di)}norte.i Aquí, n es la observación, xiydison vector de entrada y
variables de salida, respectivamente. El objetivo central es buscar una
función f(X)lo más cerca posible de todos los puntos (Wen y Cao, 2020).
F(X)=ωϕ(X)+b (4)
Donde b es el sesgo yωes el vector de peso de la función objetivo. En la
misma ecuación,ϕ(X)se refiere a una característica espacial de alta
dimensión. Se asigna de forma no lineal desde x, que es un espacio de baja
dimensión (Wen y Cao, 2020).
Como se puede ver de la Ec.(4), es muy similar al modelo de
regresión lineal. Para estimar w y b, el problema de regresión anterior
se convierte primero en un problema de minimización de la función de
riesgo regularizada que da la complejidad del modelo y el error
empírico bajoε-pérdida insensible. Esto se puede escribir de la
siguiente maneraecuaciones (5-6) (Nabipour et al., 2020;Helaleh y
Alizadeh, 2016;Amar y Zeraibi, 2018).
∑( )
1
norte

yi=F wyo.Xi (2) Minimizar w2+C ξi−ξ∗ (5)

i
i,j=1 2
i=1
{
1∑ di−wϕ(X)+bi≤ε+ξi
norte

2
mi= (Di− yi) (3) Sujeto a wϕ(X)+bi- rei≤ε+ξ∗ (6)
norte i
i=1
ξi,ξ∗≥0
i
,i=1, . . . .yo
donde xiy Wyose refieren a los datos de entrada y un valor de peso,
Aquí en, 21w2se refiere término de regularización.εy C representan
respectivamente. Además, f() da la función de activación, y yiy Dison la
producción neta y el valor de producción estimado, respectivamente. la función de pérdida y la constante de regularización(C>0).ξiyξ∗ i
muestran las variables de holgura positiva que menor y mayor exceso de
Un algoritmo de retropropagación generalmente consta de dos etapas
desviación, respectivamente. Aplicando los multiplicadores de LaGrange y las
denominadas entrenamiento y prueba, y también su topología consta de
restricciones de optimalidad, se puede establecer una función general como en
tres capas denominadas capa de entrada, capa oculta y capa de salida. La
ecuación (7)(Mohammadi et al., 2015).
estructura del modelo en este estudio se logra cuando las capas de entrada,
salida y ocultas son 4–15–1 para CO2predicción y 4–28–1 para la predicción ( ) ∑norte( )
de la demanda de energía. Se obtiene que otros parámetros importantes,
∗
iai
efectos especiales,a = ai−a∗ ik(X,Xi)+b (7)
como el ciclo de entrenamiento, la tasa de aprendizaje y el impulso, son 250, i=1

0,1 y 0,9, respectivamente, para ambas salidas. La estructura de ANN En esta ecuación,aiya∗son multiplicadores de LaGrange y la función
i
modelada en este estudio se ilustra enFig. 3. kernelk(·,·)se escribe de acuerdo con la condición de Mercer de la siguiente
manera (Chen et al., 2013a,b):
2.2.2. Algoritmo de máquina de vectores de soporte (SVM) ()
k(X,Xi)=ϕ(Xi)ϕXj (8)
El algoritmo de máquina de vectores de soporte es una técnica de
aprendizaje supervisado y puede aplicarse a problemas de regresión y El efecto combinado de la función kernel,C, yεparámetros para
clasificación. SVM se introdujo por primera vez (Boser et al., 1992) en el año lograr una alta precisión y un alto rendimiento para SVM

146
Ü. Agbulut
Fig. 3.Una vista esquemática de la arquitectura ANN.
algoritmo son vitales y, por lo tanto, deben seleccionarse correctamente. En este
documento, estos parámetros se seleccionan utilizando la técnica de búsqueda en
cuadrícula. En consecuencia, los mejores resultados se notan para CO2-predicción
cuando el tipo de función del núcleo era punto, la memoria caché del núcleo era
220, C era igual a 0,166, la convergencia era igual a 1,75, las iteraciones 100.000,
los parámetros positivos y negativos de L eran iguales a 4,4357 y 0,31,
respectivamente, yεfue igual a 0. Entonces, los mejores resultados se notaron
para la predicción del consumo de energía cuando la función del núcleo tipo
punto, la memoria caché del núcleo era 120, C era igual a 8, la convergencia era
igual a 0,025, las iteraciones 100.000, tanto L positivo como negativo fue igual a
0.9, yεfue igual a 0,62.
2.2.3. Algoritmo de aprendizaje profundo
El algoritmo de aprendizaje profundo (DL) es una nueva forma de algoritmos
ML, y necesita conjuntos de datos relativamente grandes para brindar una
solución a los problemas complejos en los que la etapa de aprendizaje puede
tener lugar en un semi-supervisado (Najafabadi et al., 2015), supervisado (Miyato
et al., 2018) o sin supervisión (Chen et al., 2018). Técnicamente, se deriva de ANN.
Por lo tanto, el tamaño de la capa oculta, la función de activación, el épsilon y el
número de épocas son métricas significativas que influyen en gran medida en la
etapa de aprendizaje y la precisión de las etiquetas (Bakay y Agbulut, 2021). Más
importante aún, el algoritmo de aprendizaje profundo tiene la capacidad de
extraer automáticamente características del conjunto de datos (Agbulut et al.,
2021;Kivrak et al., 2021;Lin et al., 2017;Mei et al., 2017). En el presente trabajo, los
mejores resultados se notaron para CO2-predicción cuando la función de
activación es rectificadora, el número de épocas es igual a 45,9 y épsilon 10.100.
Por otro lado, también se notaron los mejores resultados para la predicción de la
demanda de energía cuando la función de activación es rectificadora, el número
de épocas es igual a 28,7 y el épsilon es 10.100. Además, las capas se seleccionan
50×50 para ambas capas de predicción.
2.3. Modelos matemáticos
Para hacer un pronóstico futuro del CO relacionado con el transporte2
emisiones y el consumo de energía en Turquía, se desarrollan dos
modelos matemáticos llamados regresión lineal y exponencial que se
utilizan con frecuencia en la literatura basados en el cambio
147
Producción y consumo sostenibles 29 (2022) 141–157
del año. En consecuencia, los datos entre 1970 y 2003 se utilizaron para
crear las ecuaciones.
En esta sección, se pretende pronosticar el CO basado en el transporte2
Demanda de energía basada en emisiones y transporte en Turquía
considerando solo variables anuales. Para ello, se desarrollan las siguientes
ecuaciones de regresión matemática lineal y logarítmica para pronosticar el
futuro CO2y la respuesta a la demanda de energía de Turquía. En
consecuencia, las siguientes ecuaciones dan la fórmula matemática para el
futuro CO2y demanda de energía basada en el año en Turquía.
Modelo I_CO2= 0.8981y−1757.2 (9)
Modelo II_CO2= = 9mi−31mi0.0364y (10)
Modelo I_Energía_pedir=0.2886y−565.54 (11)
Modelo II_Energía_pedir= =6mi−34mi0.0395y (12)
Donde y se refiere al año, y Modelo I_CO2y Modelo II_CO2
proporcione las ecuaciones de regresión lineal y logarítmica,
respectivamente. De manera similar, el Modelo I_Demanda_de_energía
y el Modelo II_demanda de energía dan la ecuación de regresión lineal
y logarítmica, respectivamente. Estas ecuaciones se crean usando el CO
2datos entre los años 1970 y 2016. Sus éxitos de desempeño se evalúan
en dos métricas significativas: R2y RMSE.
3. Puntos de referencia estadísticos
El presente documento analiza en profundidad el éxito de
rendimiento de los resultados de pronóstico obtenidos de los
algoritmos de aprendizaje automático con seis métricas estadísticas
que son muy utilizadas en la literatura. Estas métricas son el coeficiente
de determinación (R2), error cuadrático medio (RMSE), error porcentual
absoluto medio (MAPE), error de sesgo medio (MBE), error cuadrático
medio relativo (rRMSE) y error de sesgo absoluto medio (MABE).Tabla 5
resume las descripciones, los criterios de rendimiento y las ecuaciones
de estas métricas.
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Tabla 5
Ecuación, descripción y evaluación de métricas.

Ecuación
Métrica Ecuación Descripción Criterio de rendimiento número
∑
R² 1 -∑ (yi−xi)2 R2i es sin duda el Métrica de uso frecuente en R²cambia de cero a 1, y cuanto mayor sea R2los valores son 13
(Xi−x̄2 i)
medir el éxito de rendimiento de los resultados de la predicción. deseables (Agbulut, et al., 2021).
Da una pista sobre qué tan bien las tendencias de los resultados
del modelo pueden rastrear las tendencias de los datos reales (
Gouda et al., 2019;Quej et al., 2016).
√
∑ norte

RMSE 1
norte
(yi− xi)2 RMSE es razonable al discutir los resultados de las pruebas a corto RMSE toma los valores de cero a∞,y los valores pequeños 14
i=1
plazo (Agbulut et al., 2021;Fan et al., 2019a). RMSE se basa en la de RMSE son deseables (Bakay y Agbulut, 2021; Zang et al.,
desviación estándar de la muestra de las diferencias entre los valores 2020).
de predicción y los valores reales. Presenta una medida de precisión
para los valores de predicción.

1 ∑ |Xi−yi
norte

MAPA,% norte Xi
AE
|×100 megapíxeles yo Es una de las métricas más utilizadas debido a sus Es deseable un valor MAPE más pequeño para los resultados de la 15
i=1
ventajas de independencia de escala e interpretabilidad (Kim predicción (Agbulut, et al., 2021).
y Kim, 2016). Es un punto de referencia estadístico sobre la
precisión de un modelo de predicción. Discute el tamaño de
los errores como un porcentaje.
(Ticknor, 2013;Zang et al., 2020).
∑ norte

MBE 1
norte
(yi− xi) Esta es una métrica comúnmente discutida particularmente en la El mejor valor es cero para MBE. A medida que el valor de MBE dieciséis

i=1
evaluación de los resultados del desempeño a largo plazo para los se acerca a cero, el resultado se acerca al adecuado. Si el signo
resultados predictores (Manju y Sandeep, 2019; Chakraborty y de la métrica MBE es negativo, significa que el promedio de los
Elzarka, 2018). resultados de la predicción es mayor que los reales. Si el signo
de la métrica MBE es positivo, significa que el promedio de los
resultados de la predicción es menor que los reales (Alzahrani
√
et al., 2017;Fan et al., 2018).
1∑norte
i=1 (yi−x i)2
RRMSE, % × RREl MSE se logra dividiendo el valor RMSE por el valor real El resultado de esta métrica cambia entre 0 y 100 %. A medida que 17
norte

Xi
100 medio. el resultado de la métrica se acerca a cero, se acerca a los
resultados deseables (Bakay y Agbulut, 2021;Chen et al., 2013a,b).

∑ norte

MABE 1
norte
|Xi− yi| El MABE presenta el valor absoluto de los errores de sesgo ( MABE toma los valores de cero a∞,y cuanto menor sea el 18
i=1
Quej et al., 2016). valor de MABE, más exitosos serán los resultados para el
modelo relevante (Hu et al., 2010).

EnTabla 5,yiyXison datos pronosticados y medidos,
respectivamente;X ies la media de los datos medidos; N es el numero
de observaciones.
4. Resultado y discusión
Está previsto dar la sección de resultados y discusión dentro de cuatro
subsecciones. En primer lugar, una discusión general sobre la demanda de
energía basada en el transporte y el CO2Se maneja la emisión a lo largo de
los años y la posible razón detrás del incremento en ambas salidas se
discutirá enSección 4.1. Entonces los resultados de pronóstico de CO2y la
demanda de energía se explicará con seis métricas estadísticas para tres
algoritmos de aprendizaje automático enSección 4.2, ySección 4.3,
respectivamente. Finalmente, el pronóstico futuro de la demanda de energía
de Turquía y el CO2emisiones derivadas del sector transporte se realiza para
el año 2050 según dos modelos matemáticos.
4.1. Evaluación general de la demanda de energía basada en el transporte y CO2
Tendencias de las emisiones en Turquía
La variación del CO basado en el transporte2Las emisiones y la demanda
de energía en Turquía se ilustran enFigura 4entre los años 1970 y 2016.
Como se puede observar en el gráfico, ambas variables han mostrado una
tendencia creciente casi lineal a lo largo de los años. En general, los puntos
máximos de ambas salidas en un determinado período se encuentran
dentro de años similares. Por ejemplo, en los años seleccionados al azar
1977, 1996 y 2007 marcados en las curvas deFigura 4, es más visible notar
las tendencias ascendentes tanto de CO2emisión y demanda de energía. En
consecuencia, existe una relación muy fuerte entre el CO basado en el
transporte2emisión y consumo de energía y la correlación entre estas dos
salidas es igual a 0.9856 (VerTabla 4).
La demanda de energía basada en el transporte fue igual a 3,21 Mtep en
el año 1970 para Turquía, mientras que el CO2emisiones provenientes del
sector transporte fue igual a 11.50×106tonelada en el mismo año. Después
de ese año, ambos elementos han aumentado en general a lo largo de los
años, y el consumo de energía alcanzó los 25,88 Mtep y CO2la emisión
también alcanzó 68.02×106tonelada en el año 2016 (Banco Mundial 2020). En
otras palabras, incluso si los elementos relevantes caen en algunos años, la
tasa de crecimiento general entre 1970 y 2016 se encuentra anualmente en
casi el 5 % para la demanda de energía y el 4,2 % para el CO2emisión. Este
incremento en la demanda de energía, así como el CO2emisiones, pueden
asociarse con el rápido crecimiento de la población, el desarrollo
socioeconómico y el aumento del nivel de vida en Turquía. En el año 2019, la
población de Turquía es de alrededor de 83 millones y el grupo en edad de
trabajar (grupo de edad de 15 a 64 años) cubre más del 80% de la población
total (Erat et al., 2021;TurkStat 2020a). Además, Turquía es un país en
desarrollo. Teniendo en cuenta que los últimos 30 años, el crecimiento
económico anual promedio del país es de alrededor del 3% y el país tiene la
18ª economía más grande del mundo. En 2019, el ingreso nacional per
cápita rondaba los USD 8.811, mientras que se prevé aumentar este monto a
USD 12.484 en 2023 (Erat et al., 2021;TurkStat 2020b). Como era de
esperarse, todo esto desencadena un incremento en el número de vehículos
de carretera en el país. Según los datos tomados de TurkStat, el número de
motor registrado fue igual a 8.655.170 en el año 2002 (el dato más antiguo
en TurkStat), mientras que llegó a 24.144.857 en el año 2020 (TurkStat, 2021c
). El número de motor registrado en Turquía se muestra enFigura 5A través
de los años.
Teniendo en cuenta los datos del año 2002 como fecha de inicio, la tasa
de crecimiento del número de vehículos de carretera registrados en Turquía
aumentó acumulativamente en un 179 % en el año 2020. Por otro lado, la
tasa de crecimiento anual del número de vehículos registrados en Turquía es
calculado en aproximadamente el 9%. En consecuencia, parece que el
número de automóviles en el país probablemente aumentará año

148
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Figura 4.Variación del CO basado en el transporte2emisión y demanda de energía entre 1970 y 2016 en Turquía (El gráfico elaborado según los datos tomados de la ref (Banco Mundial,
2020).

Figura 5.El número de vehículos matriculados en Turquía y su tasa de crecimiento entre 2003 y 2020 (El gráfico elaborado según los datos tomados de la ref (TurkStat, 2021c).

por año. Turquía es un país que importa alrededor del 75% de la
demanda total de energía primaria (Gurel et al., 2020), e importa
alrededor del 91 al 93% de su demanda total de petróleo (Solak, 2013).
Con el aumento en el número de vehículos, la demanda de energía del
país por parte del sector transporte sin duda aumentará. Este caso se
erige como un obstáculo no solo para el crecimiento económico del
país, sino que también aglutina los problemas ambientales. Un-
otro punto crítico es que aproximadamente 3 kgs de CO2Las emisiones se emiten
a la atmósfera como resultado de quemar solo 1 litro de combustible diesel o 1
litro de combustible de gasolina en un motor de combustión interna (Agbulut et
al., 2020;Kumar y Sharma, 2018). Todos estos datos demuestran que el consumo
de energía del sector del transporte y su impacto en la economía y el medio
ambiente deben ser tomados en serio por los responsables de la formulación de
políticas y la toma de decisiones para futuras inversiones.

149
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Figura 6.Pronóstico de CO basado en el transporte2emisión con respecto a diferentes algoritmos de aprendizaje automático.

Tabla 6 Otra métrica estadística manejada en este estudio es la métrica MBE. Los
Resultados de métricas estadísticas para CO basado en el transporte2pronóstico de emisiones en
resultados numéricos de la métrica MBE calculada están muy cerca de cero
Turquía según algoritmos de aprendizaje automático.
para cada algoritmo y este es un caso deseable para la métrica MBE. En este
Respuesta Métrica ANA MVS DL aspecto, el algoritmo SVM tiene el mejor resultado de 0.8276 en términos de
CO2 R2 0.9088 0.8638 0.9116 métrica MBE, y luego los algoritmos DL y ANN son seguidos de cerca para
MBE, 106tonelada − 1.4733 0.8276 − 1.4441 CO2previsión de emisiones. Como se puede ver desde Figura 6, todos los
MABE, 106tonelada 3.2427 3.8442 3.7103 algoritmos pronostican CO2datos de emisiones muy por debajo de los
MAPA,% 8.57 7.24 9.81
valores reales después del año 2013. Por otro lado, después de ese año, SVM
RRMSE, % 7.42 7.24 9.25
RMSE, 106tonelada 3.8774 4.4015 4.8307 da los valores de pronóstico más altos para CO2emisión entre los tres
algoritmos. Significa que el algoritmo relevante pronostica el CO2los datos
Los números en negrita se refieren al mejor resultado de las métricas estadísticas relevantes entre
de emisión sean más altos que los del CO real2emisiones, mientras que ANN
tres algoritmos de aprendizaje automático.
y DL predicen emisiones más pequeñas que las de CO real2emisión.

vestimentas y pasos concretos a tomar en el corto, mediano y largo
plazo.
4.2. Pronóstico de CO2emisión con algoritmos de aprendizaje automático
CO basado en el transporte2Las emisiones en Turquía se
pronostican entre los años 2003 y 2016 con tres algoritmos de
aprendizaje automático.Figura 6ilustra el CO real y pronosticado2
emisiones a lo largo de los años.
Como se puede ver en la figura, el CO2Las emisiones derivadas del
sector del transporte en Turquía aumentan gradualmente año tras año,
y el CO real2Las emisiones y los pronosticados generalmente están
cerca uno del otro.Tabla 6da los resultados numéricos de las métricas
estadísticas para hacer una mejor comparación entre los algoritmos.
Según los resultados de la métrica calculada, se ve que R2el valor varía
de 0,8638 a 0,9116 para el CO basado en el transporte2emisión. R2es la
métrica utilizada con más frecuencia para analizar el éxito de los resultados
de la previsión con respecto a los datos reales, y da una idea de cómo las
curvas de previsión siguen a las de los datos reales. En particular, la
diferencia entre los datos reales y los pronosticados es cada vez mayor
después del año 2013, y casi todos los algoritmos no capturan las curvas de
los datos reales después de este año. Como consecuencia de este caso, los
valores de R2Caída de métricas para todos los algoritmos. Numéricamente,
como se puede ver enTabla 6, El r2el valor de ANN y DL está muy cerca el
uno del otro. El algoritmo DL exhibe un resultado muy satisfactorio con
0.9116 en términos de R2métrico para CO2
emisión, mientras que SVM da la peor R2resultado con 0.8638.
Con base en los resultados de MABE enTabla 6, es posible decir que
no hay una diferencia significativa entre los algoritmos. El valor de la
métrica MABE es 3,2427 para ANN, 3,8442 para SVM y 3,7103 para el
algoritmo DL. En consecuencia, incluso si se calcula el mejor resultado
para el algoritmo ANN, la diferencia entre los valores de la métrica
MABE de otros algoritmos es muy pequeña. Por lo tanto, se cree que
será útil discutir los resultados de otras métricas para decidir el éxito de
CO2predicción de algoritmos. Otra métrica importante discutida en este
documento es MAPE. Esta métrica da el porcentaje de error de los
resultados de la previsión. Los estudios anteriores sugirieron evaluar el
éxito de la métrica MAPE clasificándola de cuatro maneras.
Respectivamente,
• MAPA≤10%, entonces los resultados de predicción pueden clasificarse como
"alta precisión de predicción".
• 10%<MAPA≤20%, entonces los resultados de la predicción se pueden clasificar como
"Buena precisión de predicción".
• 20%<MAPA≤50%, entonces los resultados de la predicción se pueden clasificar
como "Exactitud de predicción razonable".
• MAPA>50%, entonces los resultados de la predicción se pueden clasificar
como "Precisión de predicción inexacta" (Bakay y Agbulut, 2021; Emang
et al., 2010).
Con base en esta clasificación de uso común en la literatura, es posible
decir que los resultados de pronóstico para cada algoritmo se pueden
clasificar como "alta precisión de predicción". En otras palabras, las métricas
MAPE en la previsión del transporte CO2Las emisiones son inferiores al 10%
para los tres algoritmos de aprendizaje automático utilizados en este
estudio. Los resultados de la métrica MAPE se calculan para ser

150
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

8,57, 7,24 y 9,81 % para los algoritmos ANN, SVM y DL,

respectivamente. Aunque cada algoritmo proporciona una alta
precisión de pronóstico en términos de la métrica MAPE, se observa
que existen grandes diferencias entre dos algoritmos cualesquiera. Se
entiende que se necesita una clasificación más sensible para hacer una
mejor comparación entre los algoritmos, y esta clasificación en la
literatura debería ser más estrecha.
Además de estas métricas, rRMSE también se analiza al evaluar el
éxito de los algoritmos. Esta métrica escala las magnitudes entre 0 y
100. En la literatura disponible, existe una clasificación de uso común
para comprender mejor el rendimiento de los algoritmos basados en
los resultados de rRMSE. En consecuencia, la siguiente clasificación da
una pista sobre cómo un algoritmo presenta el mejor resultado en
términos de métrica rRMSE. En esta clasificación,

• RRMSE<10%, entonces los resultados de la predicción se pueden clasificar como

"excelentes".
• 10%<RRMSE<20%, entonces los resultados de la predicción se pueden clasificar como
"buenos".
• 20%<RRMSE<30%, entonces los resultados de la predicción pueden clasificarse como
"justos".
• RRMSE>30%, entonces los resultados de la predicción se pueden
clasificar como "pobres" (Agbulut et al., 2021;Fan et al., 2019a,b;
Figura 7.Una vista general de la distribución de métricas estadísticas en un gráfico de radar
Heinemann et al., 2012;Tuncer et al., 2020).
escalado para CO2emisión.

Como puede verse enTabla 6, el valor rRMSE de los algoritmos ANN,

SVM y DL es 7,42, 7,24 y 9,25 %, respectivamente. Con base en la Tabla 7
clasificación anterior, es posible decir que los resultados de pronóstico Resultados métricos estadísticos para la predicción de la demanda de energía basada en el transporte
en Turquía según algoritmos de aprendizaje automático.
de todos los algoritmos pueden clasificarse como "excelentes"
considerando la métrica rRMSE. Por otro lado, cuando el valor rRMSE Respuesta Métrica ANA MVS DL
llega a 0, significa mejores resultados de pronóstico para el algoritmo disfunción eréctil R2 0.9235 0.8706 0.9019
relevante (Bakay y Agbulut, 2021). En consecuencia, el mejor resultado MBE, Mtep − 0,3935 − 0,3249 0.4275
de pronóstico entre los tres algoritmos se logra dentro del algoritmo MABE, Mtoe 1.04 1.6105 1.5854
SVM según el valor rRMSE, como se puede ver enTabla 6. Luego ANN MAPA,% 8.39 8.38 12.79
RRMSE, % 8.38 11.05 9.996
siguió de cerca al algoritmo SVM en el pronóstico de CO2
RMSE, Mtep 1.2679 1.9923 1.8026
emisión según métrica rRMSE. En paralelo a la métrica rRMSE, el
resultado de la métrica RMSE también se calcula en 3,8774 para ANN,
4,4015 para SVM y 4,8307 para el algoritmo DL. Con la misma lógica, se
ve que ANN exhibe el mejor resultado de métrica rRMSE, y luego lo año tras año, y la demanda de energía real y la prevista son
siguieron los algoritmos SVM y DL, respectivamente. Dado que los generalmente cercanas entre sí.Tabla 7da los resultados numéricos de
resultados de todas las métricas estadísticas juntas, el algoritmo SVM las métricas estadísticas para hacer una mejor comparación entre los
es el algoritmo que mejor se ajusta en la previsión del CO basado en el algoritmos.
transporte.2emisiones en Turquía. Por otro lado, aunque el algoritmo Como puede verse enTabla 7, R2el valor de ED varía de 0,8706 a
DL da la mejor R2valor de CO2pronóstico entre todos los algoritmos, 0,9235. En consecuencia, la mejor curva que sigue con sensibilidad los
falla según otras métricas estadísticas y es el peor algoritmo para CO2 cambios en las curvas de los datos registrados se ve para el algoritmo
pronóstico entre todos los algoritmos. ANN. Incluso si la mejor R2El valor se calcula para el algoritmo ANN con
En resumen, cada resultado de métrica estadística para el CO basado en un valor de 0.9235, los algoritmos DL y SVM también tienen R muy
el transporte2la emisión se muestra con un gráfico de radar enFigura 7. En satisfecho2valores con 0.8706 y 0.9019, respectivamente. Dada la
este gráfico, cada métrica estadística se escaló en un cierto rango. Por métrica MBE para todos los algoritmos juntos, la magnitud de esta
ejemplo, la escala relevante es igual a 0-1 para R2, 0-5 para RMSE, 0-15% métrica es muy pequeña y cercana entre sí. Además, solo el algoritmo
para rRMSE, 0-15% para MAPE, 0-5 para MABE y 0-3 para MBE. Dado que DL tiene el valor MBE positivo para el pronóstico ED. Eso es solo que el
todas las métricas estadísticas para CO2emisión en conjunto, es posible decir algoritmo DL pronostica el valor ED más alto que los datos reales. En
que cada algoritmo de aprendizaje automático ha presentado resultados cuanto a la métrica MABE, el peor resultado se observa para el
muy satisfactorios en el pronóstico de CO basado en el transporte2 algoritmo SVM con un valor de 1,61, mientras que el algoritmo ANN
emisiones en Turquía. De los tres algoritmos de aprendizaje automático, los tiene el mejor valor MABE de 1,04. Por otro lado, el valor MAPE de los
algoritmos SVM, ANN y DL tienen los mejores resultados tres veces, dos algoritmos ANN y SVM al pronosticar la demanda de energía se calcula
veces y una vez, respectivamente. que es casi igual entre sí, como se puede ver en Tabla 7. Estos dos
algoritmos se clasifican como "alta precisión de predicción" ya que
4.3. Pronóstico de la demanda de energía basada en el transporte con pronostican los datos reales con un error inferior al 10 % según la
algoritmos de aprendizaje automático clasificación mencionada anteriormente, mientras que el algoritmo DL
que supera el límite del 10 % se clasifica como "buena predicción"
La demanda de energía basada en el transporte en Turquía se pronostica según la misma clasificación. Se realiza otra clasificación para la métrica
entre los años 2003 y 2016 con tres algoritmos de aprendizaje automático. rRMSE. Con base en la clasificación para rRMSE, solo el algoritmo SVM
Figura 8ilustra la tendencia actual y prevista de la demanda de energía de supera el límite del 10 % y se clasifica como “bueno”, aunque los
Turquía a lo largo de los años. algoritmos ANN y DL están muy cerca de este límite, se clasifican como
Como puede verse en la figura, la demanda de energía real que surge “excelentes” según la clasificación en rRMSE métrico. Sin embargo,
del sector del transporte en Turquía está aumentando gradualmente. estos resultados muestran claramente que la estadística

151
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Figura 8.Pronóstico de la demanda de energía basada en el transporte con respecto a diferentes algoritmos de aprendizaje automático.

Las métricas cal consideran diferentes puntos para decidir el éxito de los
predictores. Por lo tanto, obviamente se ve la importancia de interpretar
múltiples y diferentes métricas estadísticas cuando se discute el éxito del
desempeño de un predictor. Por otro lado, los resultados revelaron que la
gama de clasificaciones utilizadas en la literatura hasta el momento es
bastante amplia. Por ejemplo, un algoritmo con un valor del 1 % y un
algoritmo con un valor del 9 % en la comparación realizada para las métricas
MAPE y rRMSE se aceptan como la misma categoría en términos de éxito de
rendimiento. Esto genera cierta confusión para los investigadores en
términos de análisis del rendimiento de los predictores. Por lo tanto, es
crucial discutir diferentes métricas estadísticas. En consecuencia, otra
métrica estadística discutida en el presente documento es RMSE. Esta
métrica se calcula para que sea menor que 2 para todos los algoritmos.
Dado que esta métrica para la predicción de DE, es posible decir que el
mejor valor de RMSE se ve para el algoritmo ANN con el valor de 1.2679 en la
predicción de la respuesta de DE.
Cada resultado de métrica estadística para la demanda de energía
relacionada con el transporte se ve con un gráfico de radar enFigura 9. En
este gráfico, cada métrica estadística se escala en un cierto rango. Por
ejemplo, la escala relevante es igual a 0–1 para R2, 0–5 Mtep para RMSE, 0–
15 % para rRMSE, 0–15 % para MAPE, 0–5 Mtep para MABE y 0–3 Mtep para
MBE en demanda de energía. De los tres algoritmos de aprendizaje
automático, los algoritmos ANN y SVM tienen los mejores resultados cuatro
Figura 9.Una vista general de la distribución de métricas estadísticas en un gráfico de radar
veces y dos veces, respectivamente. Por otro lado, el algoritmo DL no puede escalado para CO2emisión.
dejar de capturar el mejor resultado para cualquier métrica estadística en el
pronóstico de la demanda de energía basada en el transporte en Turquía. y
una vez, respectivamente. Dado que todas las métricas estadísticas para CO2 el futuro CO de un país2las tendencias de emisión de sus futuras inversiones en
emisión y demanda de energía enFigura 7yFigura 9juntos, es posible decir energía. Por lo tanto, los estudios de pronóstico futuro para la demanda de
que los algoritmos de aprendizaje automático han exhibido mejores energía y la cartera de emisiones son temas muy atractivos y siempre candentes
resultados de pronóstico para la demanda de energía en comparación con para los investigadores. En consecuencia, en este estudio, dos modelos
los de CO2pronóstico. matemáticos son la base desarrollada en el año como enecuaciones (9)-12. Similar
a los algoritmos de aprendizaje automático, la demanda de energía y el CO2Los
4.4. Pronóstico de transporte futuro basado en CO2y –demanda de datos de emisión entre los años 1970 y 2002 se utilizan tanto para ajustar el
energía con modelos matemáticos modelo como para crear ecuaciones matemáticas. Luego se prueban los modelos
con los datos entre los años 2003 y 2016. Para observar el éxito de los modelos, R2
El conocimiento de la demanda energética futura de un país es una y las métricas RMSE se calculan usando las Ecuaciones 13 y 14, respectivamente,
herramienta muy importante para establecer un equilibrio entre la oferta y la de acuerdo con los resultados en la etapa de prueba de ambos modelos para el
demanda. Este conocimiento se utiliza de manera efectiva para planificar y CO relacionado con el transporte2emisiones y demanda de energía en Turquía.
establecer nuevas inversiones en energía por parte de los formuladores de Los modelos propuestos se pueden utilizar para hacer predicciones después de
políticas, las agencias internacionales y los respectivos gobiernos (Sharma, 2018; considerar que el consumo de energía y las emisiones de carbono no llegarán al
Morales-Acevedo, 2014). Además, en el mundo actual, se entiende fácilmente punto de inflexión

152
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Tabla 8
Resultados numéricos de métricas R2 y RMSE para modelos matemáticos desarrollados en etapa de prueba.

Producción CO2 Demanda de energía

Escenario Capacitación Pruebas Capacitación Pruebas

RMSE, RMSE, 106

Métrico R2 106tonelada R2 tonelada R2 RMSE, Mtep R2 RMSE, Mtep

Modelo I 0.9133 2.63 0.8966 8.53 0.9285 0.7636 0.8508 4.87

Modelo II 0.9140 4.09 0.9075 3.95 0.9360 0.7322 0.8785 1.89

Tabla 9 ronda el 238% en el año 2050 respecto al del año 2016. Asimismo, se
Valor previsto del transporte futuro basado en CO2y –demanda de energía con
prevé que el CO relacionado con el transporte2las emisiones
modelos matemáticos.
aumentarán alrededor de un 241 % en el año 2050. Las tendencias
CO2(106tonelada) Demanda de energía (Mtep) futuras previstas de la demanda de energía y el CO2Las emisiones en
Años
Modelo I Modelo II Modelo I Modelo II Turquía se ilustran enhigos. 10 y 11, respectivamente.
Como se puede ver desdeFigura 9yFigura 10, la demanda de energía
2016∗ 68.02 25.88
2017 54.27 69.12 16.57 23.93 relacionada con el transporte y el CO2emisiones en Turquía alcanzarán 88,1
2018 55.17 71.68 16.85 24.90 Mtep y 229,8×106tonelada en 2050, respectivamente. Además, la tasa de
2019 56.06 74.34 17.14 25.90 crecimiento anual de la demanda de energía aumenta acumulativamente
2020 56.96 77.09 17.43 26.95
entre un 0,3 % y un 3,7 % para el Modelo I y el Modelo II, respectivamente.
2021 57.86 79.95 17.72 28.03
Por otro lado, la tasa de crecimiento anual en CO2la emisión está
2022 58.76 82.92 18.01 29.16
2023 59.66 85.99 18.30 30.34 aumentando acumulativamente entre 0,7% y 3,65%, respectivamente. En
2024 60.55 89.18 18.59 31.56 consecuencia, estos resultados demuestran claramente que el sector
2025 61.45 92.48 18.88 32.83 transporte probablemente permanecerá como un obstáculo no solo para el
2026 62.35 95.91 19.16 34.15
crecimiento económico del país, sino que también traerá problemas
2027 63.25 99.47 19.45 35.53
2028 64.15 103.16 19.74 36.96 ambientales en los próximos días. Teniendo en cuenta la alta dependencia
2029 65.04 106.98 20.03 38.45 energética externa de Turquía, los responsables de la toma de decisiones
2030 65.94 110.95 20.32 40.00 deberían tomar algunas medidas concretas y, en consecuencia, debería
2031 66.84 115.06 20.61 41.61 revisarse la política energética que se planificará en el país. Para un país
2032 67.74 119.32 20.90 43.29
como Turquía que importa aproximadamente el 75% de sus necesidades
2033 68.64 123.75 21.18 45.03
2034 69.54 128.33 21.47 46.84 energéticas (Gurel et al., 2020), para sustentar el desarrollo económico, está
2035 70.43 133.09 21.76 48.73 claro que se debe reducir el consumo de energía y se requiere seriamente
2036 71.33 138.03 22.05 50.69 una utilización más eficiente de los recursos (Uzar y Eyuboglu, 2019).
2037 72.23 143.14 22.34 52.74
2038 73.13 148.45 22.63 54.86
2039 74.03 153.95 22.92 57.07 5. Conclusión
2040 74.92 159.66 23.20 59.37
2041 75.82 165.58 23.49 61.76
2042 76.72 171.72 23.78 64.25 Este documento tiene como objetivo pronosticar tanto el CO relacionado con el transporte2
2043 77.62 178.08 24.07 66.84 emisiones y demanda de energía de Turquía. En la previsión de estos resultados,
2044 78.52 184.68 24.36 69.53 se utilizan inicialmente tres algoritmos de aprendizaje automático (red neuronal
2045 79.41 191.53 24.65 72.34
artificial, máquina de vectores de soporte y aprendizaje profundo). En el
2046 80.31 198.63 24.94 75.25
2047 81.21 205.99 25.22 78.28 entrenamiento de los algoritmos de aprendizaje automático se seleccionaron
2048 82.11 213.63 25.51 81.44 producto interno bruto per cápita (PIB), población, kilómetro de vehículo y año. Se
2049 83.01 221.55 25.80 84.72 analizan seis métricas estadísticas sobre el éxito del desempeño de los algoritmos
2050 83.91 229.76 26.09 88.13 en el pronóstico. Luego se ajustan dos modelos matemáticos en función de los
∗representa datos medidos por agencias gubernamentales. años. CO relacionado con el transporte2Las emisiones y la demanda de energía en
Turquía se pronostican para el año 2050 con estos modelos matemáticos. En
consecuencia, las siguientes viñetas se pueden dibujar en base a la presente
en el período de tiempo de pronóstico elegido en el estudio. Los resultados de investigación.
estas métricas estadísticas significativas se dan enTabla 8.
Como puede verse enTabla 8, la diferencia de resultados métricos entre la • Se observa que existe una fuerte correlación entre los indicadores
etapa de entrenamiento y la de prueba lograda a partir de los modelos económicos, población, kilómetro de vehículo, consumo de energía
matemáticos es cercana entre sí para ambas salidas y dentro de los límites relacionado con el transporte y CO2emisión.
aceptables. Estadísticamente, se puede decir que el Modelo II está dando mejores
resultados que el Modelo I tanto para la demanda de energía como para el CO2 • Dado que todas las métricas juntas, los algoritmos ANN y SVM han
emisiones Respectivamente,Tabla 8da el futuro CO relacionado con el transporte2 pasado a primer plano en la previsión de CO2las emisiones y la demanda
emisiones y demanda de energía de Turquía para el año 2050. de energía del sector del transporte, y el algoritmo DL es generalmente
Tabla 9 el peor resultado entre los tres algoritmos. Sin embargo, los resultados
Si bien el valor reciente observado para la demanda de energía demuestran que cada algoritmo de aprendizaje automático ha
relacionada con el transporte en Turquía fue igual a 25,88 Mtep en el año presentado resultados muy satisfactorios en la previsión de CO2
2016, se pronostica que será de 26,09 Mtep con el Modelo I y de 88,13 Mtep salidas de emisión y demanda de energía.
con el Modelo II para el año 2050. En otras palabras, dado que la demanda • Con base en la clasificación ampliamente utilizada en la literatura, todos
histórica de energía relacionada con el transporte en Turquía continúa los algoritmos se han categorizado como "excelentes" en el pronóstico
aumentando en los próximos años. Según los datos calculados obtenidos a tanto de la demanda de energía como del CO2emisión en términos de
partir de los modelos matemáticos, parece que la demanda de energía métrica rRMSE excepto para SVM en la demanda de energía (rRMSEsvm-
relacionada con el transporte de Turquía aumentará en ed=11,05%).

153
Ü. Agbulut Producción y consumo sostenibles 29 (2022) 141–157

Figura 10.Pronóstico futuro de la tendencia de la demanda de energía basada en el transporte en Turquía.

Figura 11.Pronóstico futuro de CO basado en el transporte2emisión en Turquía.

• De acuerdo con la clasificación de la métrica MAPE en la literatura, todos
los algoritmos han mostrado "alta precisión de predicción" tanto para
CO2emisión y demanda de energía a excepción del algoritmo DL en la
demanda de energía (MAPEDL-ed=12,79%).
• La tasa de crecimiento anual general tanto en la demanda de energía
como en el CO2Se calcula que la emisión será de aproximadamente un
3,65 % para el año 2050. En una comparación con las actuales, se prevé
que el consumo de energía relacionado con el transporte y el CO2las
emisiones aumentarán alrededor de 3,4 veces en el año 2050. Para
sostener la aceleración del desarrollo económico de Turquía en los
últimos años, es obvio que los responsables de la toma de decisiones
deberían revisar en profundidad la política energética. De lo contrario, el
tema energético de Turquía seguirá siendo el mayor obstáculo para el
desarrollo económico y un respetable desencadenante del CO2emisiones
• Los modelos matemáticos se pueden usar fácilmente para la futura
demanda de energía y CO2pronósticos de emisiones del sector
transporte por parte del investigador. Estadísticamente, se ve que el
Modelo II exhibe mejores resultados en la etapa de prueba.
En resumen, los algoritmos de aprendizaje automático utilizados en este
documento han presentado resultados de pronóstico muy satisfactorios tanto
para CO2emisiones y demanda de energía derivadas del sector del transporte en
Turquía. Además, la previsión futura de CO2Los resultados de emisión y demanda
de energía obtenidos a partir de modelos matemáticos revelaron que los
responsables políticos y los responsables de la toma de decisiones deberían
realizar algunos intentos serios en un futuro próximo para que la tasa de
crecimiento de los incrementos en ambos elementos pueda amortiguarse.

154
Ü. Agbulut
6. Soluciones potenciales para reducir el impacto ambiental y el
consumo de energía del sector del transporte en todo el mundo
Sobre la base de los resultados obtenidos en el presente documento, está claro que el desarrollo sostenible sin
duda se enfrentará a amenazas trascendentales en los próximos días debido a los incrementos tanto de la demanda de
energía como del CO2emisiones Por lo tanto, se recomienda encarecidamente que los gobiernos impongan diversas
políticas, reglamentos, normas, restricciones y legislaciones para mitigar las emisiones de GEI y reducir el consumo de
combustibles fósiles del sector del transporte. Además, aumentar los impuestos por usos ambientales contaminantes
también puede ser un elemento disuasorio a corto plazo. Además, los gobiernos pueden implementar impuestos al
carbono, sistemas de tope y comercio, compensaciones de carbono, topes de carbono y normas tecnológicas
ecológicas. Sin embargo, quizás lo más importante es brindar educación sobre los factores que causan la
contaminación ambiental y aumentar la conciencia comunitaria en la sociedad. En el mundo actual, las formas más
aceptadas para reducir el consumo de energía, así como el CO2emisiones del sector del transporte, se pierden para
mejorar la eficiencia de los motores, introducir combustibles bajos en carbono y reducir las millas recorridas en el
transporte (Andrés et al., 2011; Stanton, 2013). Además, la implementación de políticas de autobuses gratuitos por
parte de planificadores urbanos y formuladores de políticas puede ser útil para el consumo nacional de combustible y
la huella de carbono en el país. Además, estas formas deberían estar respaldadas por una rápida transición a los
vehículos eléctricos. Sin embargo, el tema a considerar en este punto es que las centrales eléctricas que alimentan las
estaciones de carga de vehículos eléctricos se alimentan con recursos renovables. De lo contrario, incluso si las
emisiones de carbono del sector del transporte se reducen, la cantidad de emisiones de carbono del sector de
producción de energía sin duda aumentará. Hoy, después de que los vehículos eléctricos ingresen al mercado, sus
costos de venta deberían ser competitivos con los vehículos de combustión interna convencionales. Para ello, muchos
países animan a la ciudadanía a comprar vehículos eléctricos aplicando diversas normativas y cambios fiscales. Estas y
otras aplicaciones similares deben incrementarse aún más. Sin embargo, para poder utilizar vehículos eléctricos de
forma habitual, la infraestructura en las ciudades debe estar preparada en poco tiempo (muchas estaciones de carga,
carga rápida, etc.). Sin embargo, parece que llevará mucho tiempo deshacerse por completo del uso de combustible
líquido en el sector del transporte. En este caso, también será importante que los gobiernos animen a la población a
utilizar combustibles alternativos bajos en carbono para mitigar la huella de carbono al menos hasta que se generalice
el uso de vehículos eléctricos. Finalmente, no debe olvidarse que los desafíos globales necesitan pasos y esfuerzos
globales. la infraestructura en las ciudades debe estar preparada en poco tiempo (muchas estaciones de carga, carga
rápida, etc.). Sin embargo, parece que llevará mucho tiempo deshacerse por completo del uso de combustible líquido
en el sector del transporte. En este caso, también será importante que los gobiernos animen a la población a utilizar
combustibles alternativos bajos en carbono para mitigar la huella de carbono al menos hasta que se generalice el uso
de vehículos eléctricos. Finalmente, no debe olvidarse que los desafíos globales necesitan pasos y esfuerzos globales.
la infraestructura en las ciudades debe estar preparada en poco tiempo (muchas estaciones de carga, carga rápida,
etc.). Sin embargo, parece que llevará mucho tiempo deshacerse por completo del uso de combustible líquido en el
sector del transporte. En este caso, también será importante que los gobiernos animen a la población a utilizar
combustibles alternativos bajos en carbono para mitigar la huella de carbono al menos hasta que se generalice el uso
de vehículos eléctricos. Finalmente, no debe olvidarse que los desafíos globales necesitan pasos y esfuerzos globales.
También será importante que los gobiernos alienten al público a utilizar combustibles alternativos bajos en carbono
para mitigar las huellas de carbono al menos hasta que se generalice el uso de vehículos eléctricos. Finalmente, no
debe olvidarse que los desafíos globales necesitan pasos y esfuerzos globales. También será importante que los
gobiernos alienten al público a utilizar combustibles alternativos bajos en carbono para mitigar las huellas de carbono
al menos hasta que se generalice el uso de vehículos eléctricos. Finalmente, no debe olvidarse que los desafíos
globales necesitan pasos y esfuerzos globales.
Declaración de intereses en competencia
El autor declara que no existe ningún conflicto de interés con respecto a
la publicación de este artículo.
Referencias
Afzal, A., Samee, AM, Razak, RA, Ramis, MK, 2019. Efecto del espaciado en la temperatura
características de rendimiento de las celdas de la batería de iones de litio. J. Therm. Anal. Calorías. 135
(3), 1797–1811.
Ağbulut, Ü., Gürel, AE, Biçen, Y., 2021. Predicción del uso diario de radiación solar global
ing diferentes algoritmos de aprendizaje automático: evaluación y comparación. Renovar.
Sostener. Energía Rev. 135, 110114.
Ağbulut, Ü., Karagöz, M., Sarıdemir, S., Öztürk, A., 2020. Impacto de varios metales-ox-
nanopartículas basadas en ide y mezclas de biodiesel en las características de
combustión, rendimiento, emisión, vibración y ruido de un motor de CI. Fuel 270,
117521. Ahmadi, P., 2019. Environmental impacts and behavior drivers of deep decar-
bonificación para el transporte a través de vehículos eléctricos. J. Limpio. Pinchar. 225, 1209–
1219.
Ahmed, Z., Asghar, MM, Malik, MN, Nawaz, K., 2020. Avanzando hacia una economía sostenible
medio ambiente: el vínculo dinámico entre los recursos naturales, el capital humano, la
urbanización, el crecimiento económico y la huella ecológica en China. recurso Política 67,
101677.
155
Producción y consumo sostenibles 29 (2022) 141–157
Akcan, S., Kuvvetli, Y., Kocyigit, H., 2018. Modelos de análisis de series temporales para estimar
ción de gases de efecto invernadero emitidos por diferentes sectores en Turquía. Tararear. Ecol.
Evaluación de Riesgos: Int. J. 24 (2), 522–533.
Akour, I., Alshurideh, M., Al Kurdi, B., Al Ali, A., Salloum, S., 2021. Usando la máquina
algoritmos de aprendizaje para predecir la intención de las personas de usar plataformas de
aprendizaje móvil durante la pandemia de COVID-19: enfoque de aprendizaje automático. JMIR Med.
Educ. 7 (1), e24032.
Akyol, M., Uçar, E., 2021. Pronóstico de la huella de carbono utilizando minería de datos de series temporales
métodos: el caso de Turquía. Reinar. ciencia contaminar Res. 1–11.
Alpaydin, E., 2020. Introducción al aprendizaje automático. Prensa del MIT.
Alzahrani, A., Shamsi, P., Dagli, C., Ferdowsi, M., 2017. Pronóstico de la irradiancia solar
utilizando redes neuronales profundas. Cómputo de procedimientos. ciencia 114, 304–313.
Amar, MN, Zeraibi, N., 2018. Aplicación de la técnica de regresión del vector de soporte híbrido
Colonia oficial de abejas para la predicción de MMP en el proceso CO2-EOR. Petróleo. Andersson, Ö.,
Börjesson, P., 2021. Las emisiones de gases de efecto invernadero de un electrificado
vehículo combinado con combustibles renovables: evaluación del ciclo de vida e implicaciones
políticas. Aplicación Energía 289, 116621.
Andress, D., Nguyen, TD, Das, S., 2011. Reducción de las emisiones de GEI en los Estados Unidos
sector transporte de los estados. Sustento de energía. desarrollo 15 (2), 117–136. Oficina
Australiana de Estadísticas, (ABS) 2020.https://www.abs.gov.au/ausstats/abs@ _
. nsf/2f762f95845417aeca25706c00834efa/5c9180c568d1da9cca25779e001c471a!
Abrir documento
Aydin, G., 2015. El desarrollo y validación de modelos de regresión para predecir
Emisiones de CO2 relacionadas con la energía en Turquía. Ácido energético. Parte B: Economía. Plan. Política 10
(2), 176–182.
Ayvaz, B., Kusakci, AO, Temur, GT, 2017. Previsión de emisiones de CO2 relacionadas con la energía para
Turquía y Europa y Eurasia. Sistemas grises: teoría y aplicación. Bakay, MS, Agbulut,
Ü., 2021. Pronóstico basado en la producción de electricidad de green-
emisiones de gases domésticos en Turquía con aprendizaje profundo, máquina de vectores de
soporte y algoritmos de redes neuronales artificiales. J. Limpio. Pinchar. 285, 125324.
Beskirli, A., Beskirli, M., Hakli, H., Uguz, H., 2018. Comparación de la estimación de la demanda de energía
ción utilizando algoritmo de algas artificiales: el caso de Turquía. J. Tecnología de energía limpia. 6 (4),
349–352.
Boser, BE, Guyon, IM, Vapnik, VN, 1992. Un algoritmo de entrenamiento para una mar-
clasificadores de ginebra. En: Actas del quinto taller anual sobre teoría del aprendizaje
computacional, págs. 144–152.
British Petrol, 2018, [en línea] https://www.bp.com/en/global/corporate/energy-
economía/revisión-estadística-de-energía-mundial/energía-primaria (11 de noviembre de
2018)
Chakraborty, D., Elzarka, H., 2018. Pruebas de rendimiento de modelos energéticos: ¿somos
usando las métricas estadísticas correctas? J. Construir. Llevar a cabo. Simul. 11 (4),
433–448. Chen, JL, Li, GS, Wu, SJ, 2013a. Evaluación del potencial de la ma-
China para estimar la radiación solar diaria utilizando la duración de la insolación. Convertidor de
energía Administrar 75, 311–318.
Chen, JL, Li, GS, Wu, SJ, 2013b. Evaluación del potencial de la ma-
China para estimar la radiación solar diaria utilizando la duración de la insolación. Convertidor de
energía Administrar 75, 311–318.
Chen, Y., Wang, X., Zhang, B., 2018. Un enfoque de aprendizaje profundo no supervisado para sce-
pronósticos nacionales. En: Conferencia de Cómputo de Sistemas de Potencia 2018 (PSCC). IEEE, págs.
1–7.
Choudhari, VG, Dhoble, AS, Sathe, TM, 2020. Una revisión sobre el efecto de la generación de calor
ción y varios sistemas de gestión térmica para baterías de iones de litio utilizadas para vehículos
eléctricos. J. Almacenamiento de energía 32, 101729.
Colvile, RN, Hutchinson, EJ, Mindell, JS, Warren, RF, 2001. El sector del transporte
como fuente de contaminación del aire. atmósfera Reinar. 35 (9), 1537–1565.
Çodur, MY, Ünal, A., 2019. Una estimación de la demanda de energía del transporte en Turquía a través de
redes neuronales artificiales. Promet-Traffic & Transp. 31 (2), 151–161.
de Ramón-Fernández, A., Salar-García, MJ, Fernández, DR, Greenman, J., Ieropou-
los, IA, 2020. Evaluación de algoritmos de redes neuronales artificiales para predecir el
efecto de la tasa de flujo de orina en el rendimiento energético de las celdas de combustible
microbianas. Energía 213, 118806.
Dong, H., Xue, M., Xiao, Y., Liu, Y., 2021. ¿Las emisiones de carbono afectan la salud?
de los residentes? Teniendo en cuenta la industrialización y urbanización de China. ciencia Entorno
Total. 758, 143688.
Emang, D., Shitan, M., Abd Ghani, AN, Noor, KM, 2010. Pronóstico con univariado
modelos de series temporales: un caso de demanda de exportación de molduras y aglomerados de
Malasia peninsular. J. Sostener. desarrollo 3 (3), 157.
Erat, S., Telli, A., Ozkendir, OM, Demir, B., 2021. La transición energética de Turquía de
de combustibles fósiles a renovables hasta 2030: hitos, desafíos y oportunidades.
Tecnología limpia. Reinar. Política 23 (2), 401–412.
Fan, J., Wang, X., Wu, L., Zhang, F., Bai, H., Lu, X., Xiang, Y., 2018. Nueva combinación
modelos para estimar la radiación solar global diaria en función de la duración de la luz solar en
regiones húmedas: un estudio de caso en el sur de China. Conversor de energía Administrar 156, 618–
625.
Fan, J., Wu, L., Zhang, F., Cai, H., Ma, X., Bai, H., 2019a. Evaluación y desarrollo
de modelos empíricos para estimar la radiación solar horizontal difusa media diaria y
mensual para diferentes regiones climáticas de China. Renovar. Sostener. Energía
Rev. 105, 168–186.
Fan, J., Wu, L., Zhang, F., Cai, H., Ma, X., Bai, H., 2019b. Evaluación y desarrollo
de modelos empíricos para estimar la radiación solar horizontal difusa media diaria y
mensual para diferentes regiones climáticas de China. Renovar. Sostener. Energía
Rev. 105, 168–186.
Gouda, SG, Hussein, Z., Luo, S., Yuan, Q., 2019. Selección de modelos para una lectura diaria precisa
predicción de la radiación solar global en China. J. Limpio. Pinchar. 221, 132–144. Guleryuz, D., 2021.
Determinación de la demanda de energía industrial en Turquía utilizando MLR,
ANFIS y PSO-ANFIS. J. Artificia. Intel. sist. 3 (1), 16–34.
Ü. Agbulut
Gürel, AE, Ağbulut, Ü., Ergün, A., Ceylan, I., 2020. Environmental and economic as-
Evaluación de un frigorífico doméstico de bajo consumo energético. Ing. ciencia Tecnología
En t. J. 23 (2), 365–372.
Güzel, TD, Alp, K., 2020. Modelización de las emisiones de gases de efecto invernadero de la trans-
sector de transporte en Estambul para 2050. Atmos. contaminar Res. 11 (12), 2190–2201.
Hamzacebi, C., Karakurt, I., 2015. Pronóstico del CO relacionado con la energía2emisiones de
Turquía usando un modelo de predicción gris. Energy Sour., Parte A: Recov. Utilizado Reinar.
Efecto. 37 (9), 1023–1031.
He, Y., Lin, B., 2019. Investigating ambiental Kuznets curve from a en-
Perspectiva de la intensidad energética: evidencia empírica de China. J. Limpio. Pinchar. 234,
1013–1022.
Heinemann, AB, Van Oort, PA, Fernandes, DS, Maia, ADHN, 2012a. Sensibilidad
del modelo APSIM/ORYZA debido a errores de estimación en la radiación solar. Bragantia 71
(4), 572–582.
Helaleh, AH, Alizadeh, M., 2016. Modelo de predicción de rendimiento de superficies miscibles.
Desplazamiento de tant-CO2 en medios porosos usando regresión de máquina de vectores de soporte
con parámetros seleccionados por optimización de colonias de hormigas. J.Nat. ciencia del gas Ing. 30,
388–404.
Hidecker, MJC, Ho, NT, Dodge, N., Hurvitz, EA, Slaughter, J., Workinger, MS,
Paneth, N., 2012. Interrelaciones del estado funcional en la parálisis cerebral: análisis de la
función motora gruesa, la capacidad manual y los sistemas de clasificación de la función de
comunicación en niños. desarrollo Medicina. Niño Neurol. 54 (8), 737–742.
Hu, W., Shao, M., Reichardt, K., 2010. Usando un nuevo criterio para identificar sitios para la media
evaluación del almacenamiento de agua en el suelo. Ciencia del suelo Soc. Soy. J. 74 (3), 762–773.
Huang, W., Guo, Y., Xu, X., 2020. Evaluación del consumo de energía del vehículo en tiempo real
y emisiones relacionadas en China: un estudio de caso del Gran Área de la Bahía de
Guangdong-Hong Kong-Macao. J. Limpio. Pinchar. 263, 121583.
IEA, 2017. Agencia Internacional de la Energía. World Energy Outlook 2017. en líneahttps:
//www.iea.org/reports/world-energy-outlook-2017 .
IPCC (2014). Cambio Climático 2014: Mitigación del Cambio Climático. Contribución de
Grupo de Trabajo III del Quinto Informe de Evaluación del Panel Intergubernamental
sobre Cambio Climático [Edenhofer, O., R. Pichs-Madruga, Y. Sokona, E. Farahani, S.
Kadner, K. Seyboth, A. Adler, I. Baum , S. Brunner, P. Eickemeier, B. Kriemann, J.
Savolainen, S. Schlömer, C. von Stechow, T. Zwickel y JC Minx (eds.)]. Cambridge
University Press, Cambridge, Reino Unido y Nueva York, NY, EE. UU.
Jilte, R., Afzal, A., Panchal, S., 2021. Un novedoso sistema de gestión térmica de baterías
utilizando materiales de cambio de fase nano-mejorados. Energy 219, 119564. Kalghatgi, G., Levinsky,
H., Colket, M., 2018. Combustibles para el transporte futuro. prog. Energía
Combustión. Ciencia 69, 103–105.
Kankal, M., Uzlu, E., 2017. Enfoque de red neuronal con enfoque basado en la enseñanza y el aprendizaje.
optimización para modelar y pronosticar la demanda de energía eléctrica a largo plazo en
Turquía. Cómputo neuronal. aplicación 28 (1), 737–747.
Kıran, MS, Özceylan, E., Gündüz, M., Paksoy, T., 2012. Inteligencia de enjambre ap-
enfoques para estimar la demanda de energía eléctrica en Turquía. Saber Sistema basado
36, 93–103.
Kim, S., Kim, H., 2016. Una nueva métrica de error porcentual absoluto para intermitente
previsiones de demanda. En t. J. Pronóstico. 32 (3), 669–679.
Kivrak, M., Guldogan, E., Colak, C., 2021. Predicción del estado de muerte en el curso
del tratamiento en pacientes con SARS-COV-2 con métodos de aprendizaje profundo y aprendizaje
automático. computar Métodos Programas Biomed. 201, 105951.
Kodjak, D., 2015. Políticas para reducir el consumo de combustibles, la contaminación del aire y el carbono
emisiones de los vehículos en las naciones del G20. En t. Consejo Limpio Transp. Mayo.
Korkmaz, E., Akgüngör, AP, 2018. Enfoque del algoritmo de polinización de flores para el
estimación de la demanda de energía de transporte en Turquía: desarrollo y aplicación del
modelo. Ácido energético. Parte B: Economía. Planificar Política 13 (11–12), 429–447. Kumar,
R., Sharma, A., 2018. Huella de carbono de un edificio académico: un estudio de caso.
En t. J. Ing. Res. Tecnología (IJERT) 4 (3), 1–3.
Leach, F., Kalghatgi, G., Stone, R., Miles, P., 2020. El alcance para mejorar la eficiencia
ciencia e impacto ambiental de los motores de combustión interna. transporte Ing. 1,
100005.
Lin, YZ, Nie, ZH, Ma, HW, 2017. Detección de daños estructurales con función automática
tura-extracción a través del aprendizaje profundo. Infraestructura Civil Asistida por Comput. Ing. 32
(12), 1025–1046.
Liu, Z., Li, D., Zhang, J., Saleem, M., Zhang, Y., Ma, R., Wei, H., 2020. Effect of simu-
Lluvia ácida tardía en el suelo Emisiones de CO2, CH4 y N2O y comunidades microbianas en
un suelo agrícola. Geoderma 366, 114222.
Lotfalipour, MR, Falahi, MA, Bastam, M., 2013. Predicción de las emisiones de CO2 en Irán
utilizando modelos grises y ARIMA. En t. J. Economía de la energía. Política 3 (3), 229. Magazzino, C.,
2016. Emisiones de CO2, crecimiento económico y uso de energía en el Medio
Países del Este: un enfoque VAR de panel. Ácido energético. Parte B: Economía. Planificar Política 11
(10), 960–968.
Magazzino, C., Mele, M., Schneider, N., 2020. La relación entre la contaminación del aire
y muertes relacionadas con COVID-19: una aplicación a tres ciudades francesas. aplicación Energía
279, 115835.
Manju, S., Sandeep, M., 2019. Predicción y evaluación del rendimiento de la energía solar global
radiación en ciudades indias: una comparación de datos medidos por satélite y en superficie. J. Limpio.
Pinchar. 230, 116–128.
Manoj Kumar, N., Dash, A, 2017. Internet de las cosas: una oportunidad para el transporte
ción y logística. En: Actas de la Conferencia Internacional sobre Informática e
Informática Inventivas (ICICI 2017), págs. 194–197.
Mei, S., Ji, J., Hou, J., Li, X., Du, Q., 2017. Aprendizaje espacial espectral específico del sensor
características de imágenes hiperespectrales a través de redes neuronales convolucionales. Trans.
IEEE. Geosci. Sensores remotos 55 (8), 4520–4533.
156
Producción y consumo sostenibles 29 (2022) 141–157
Miyato, T., Maeda, SI, Koyama, M., Ishii, S., 2018. Entrenamiento de confrontación virtual: un
método de regularización para el aprendizaje supervisado y semisupervisado. Trans. IEEE.
Patrón Anal. Mach. Intel. 41 (8), 1979–1993.
Mohammadi, K., Shamshirband, S., Tong, CW, Arif, M., Petković, D., Ch, S., 2015. A
Nuevo enfoque híbrido de máquina de vectores de soporte y transformación de wavelet para la
estimación de la radiación solar global horizontal. Convertidor de energía Administrar 92, 162–171.
Morales-Acevedo, A., 2014. Previsión de la demanda energética futura: energía eléctrica en
México como caso ejemplar. Energía Procedia 57, 782–790.
Nabipour, N., Daneshfar, R., Rezvanjou, O., Mohammadi-Khanaposhtani, M., Bagh-
ban, A., Xiong, Q., Doranehgard, MH, 2020. En: Estimating Biofuel Density Via a Soft
Computing Approach Based on Intermolecular Interactions, 152. Renewable Energy,
págs. 1086–1098.
Najafabadi, MM, Villanustre, F., Khoshgoftaar, TM, Seliya, N., Wald, R.,
Muharemagic, E., 2015. Aplicaciones de aprendizaje profundo y desafíos en el análisis de big
data. J. Grandes datos 2 (1), 1–21.
Nguyen, DK, Huynh, TLD, Nasir, MA, 2021. Determinantes de las emisiones de carbono y
pronóstico: evidencia de los países del G6. J. Medio Ambiente. Administrar. 285, 111988.
Ofosu-Adarkwa, J., Xie, N., Javed, SA, 2020. Pronóstico de las emisiones de CO2 de China
industria cementera utilizando un modelo híbrido Verhulst-GM (1,N) y conversión técnica de
emisiones. Renovar. Sostener. Energía Rev. 130, 109945.
Onat, NC, Kucukvar, M., Tatari, O., 2014. Hacia una evaluación de la sostenibilidad del ciclo de vida
de vehículos de pasajeros alternativos. Sostenibilidad 6 (12), 9305–9342.
Ozturk, S., Ozturk, F., 2018. Pronóstico del consumo de energía de Turquía por Arima
modelo. J. ciencia asiática. Res. 8 (2), 52.
Pao, HT, Fu, HC, Tseng, CL, 2012. Pronóstico de emisiones de CO2, consumo de energía
ción y crecimiento económico en China utilizando un modelo gris mejorado. Energía 40 (1),
400–409.
Quej, VH, Almorox, J., Ibrakhimov, M., Saito, L., 2016. Modelos empíricos para estimar
radiación solar global diaria en la Península de Yucatán, México. Conversor de energía
Administrar 110, 448–456.
Quiroz, JC, Feng, YZ, Cheng, ZY, Rezazadegan, D., Chen, PK, Lin, QT, Cai, XR,
2021. Desarrollo y validación de un enfoque de aprendizaje automático para la evaluación
automatizada de la gravedad de COVID-19 basado en datos clínicos y de imágenes: estudio
retrospectivo. JMIR Med. Informar. 9 (2), e24572.
Ritchie, H. y Roser, M. (2017). CO2y emisiones de gases de efecto invernadero. Nuestro mundo en
datos.
Sabre, M., El Rharras, A., Saadane, R., Aroussi, HK, Wahbi, M., 2019. Neural artificial
redes, máquina de vectores soporte y detección de energía para sensado de espectro
basado en señales reales. En t. J. común. Neto. información Seguro 11 (1), 52–60.
Sánchez-Ccoyllo, OR, Martins, LD, Ynoue, RY, de Fátima Andrade, M., 2007. El
impacto en la formación de ozono troposférico en la implementación de un programa de
control de emisiones móviles: un estudio de caso en São Paulo, Brasil. Reinar. Mecánica de
fluidos 7 (2), 95–119.
Santos, NDSA, Roso, VR, Malaquias, ACT, Baêta, JGC, 2021. Combustión interna
motores y biocombustibles: examinando por qué esta sólida combinación no debe
ignorarse para el futuro transporte sostenible. Renovar. Sostener. Energía Rev. 148,
111292.
Sechzer, PH, Egbert, LD, Linde, HW, Cooper, DY, Dripps, RD, Price, HL, 1960.
Efecto de la inhalación de CO2 sobre la presión arterial, el ECG y las catecolaminas plasmáticas y los
corticosteroides 17-OH en el hombre normal. Aplicación J. Fisiol. 15 (3), 454–458. Senturk, ZK, Bakay,
MS, 2021. Reconocimiento de gestos manuales basado en aprendizaje automático
a través de datos EMG. ADCAIJ 10 (2).
Sharma, E., 2018. Previsión energética basada en técnicas predictivas de minería de datos en
redes de energía inteligentes. Información de energía 1 (1), 367–373.
Shrivastava, RK, Neeta, S., Geeta, G., 2013. Contaminación del aire debido al transporte por carretera
en la India: una revisión de las estrategias de evaluación y reducción. J. Medio Ambiente. Res.
desarrollo 8 (1), 69.
Solak, AO, 2013. Türkiye'de ulaştırma sektörü enerji tüketiminin azaltılması: bir
senaryo yaklaşımı. En t. J. Economía. Soc. Res. 9 (1) En turco.
Sonmez, M., Akgüngör, AP, Bektaş, S., 2017. Estimating transport energy de-
mand en Turquía utilizando el algoritmo de colonia de abejas artificiales. Energía 122, 301–
310. Stanton, DW, 2013. Desarrollo sistemático de motores altamente eficientes y limpios para
cumplir con las futuras regulaciones de gases de efecto invernadero para vehículos comerciales. Internacional
SAE. J. Motores 6 (2013–1–2421), 1395–1480.
Sun, W., Liu, M., 2016. Predicción y análisis de las tres principales industrias y
Emisiones de CO2 de consumo residencial basadas en máquina de vector de soporte de mínimos
cuadrados en China. J. Limpio. Pinchar. 122, 144–153.
Swinscow, TDV, Campbell, MJ, 2002. Estadísticas al punto de partida. bmj, londres,
págs. 111–125.
Şahin, U., 2019. Pronóstico de las emisiones de gases de efecto invernadero de Turquía utilizando
modelo gris metabólico rodante no lineal basado en optimización. J. Limpio. Pinchar. 239,
118079.
Tarhan, C., Çil, MA, 2021. Un estudio sobre el hidrógeno, la energía limpia del futuro:
Métodos de almacenamiento de hidrógeno. J. Almacenamiento de energía 40, 102676.
Ternel, C., Bouter, A., Melgar, J., 2021. Evaluación del ciclo de vida de pasajeros de rango medio.
ger cars propulsados por biocombustibles líquidos y gaseosos: comparación con las emisiones de
gases de efecto invernadero de los vehículos eléctricos y previsión a 2030. Transp. Res. Parte D 97,
102897.
TGDH, 2020. Dirección general de carreteras de Turquía, 2020. Highway Transp. Estado..
http://www.eigm.gov.tr/en-US/.
Lancet, The, 2016. Contaminación del aire cruzando fronteras. La lanceta 388. doi:10.1016/
S0140-6736(16)31019-4, 10040, pág. 103.
Ticknor, JL, 2013. Una red neuronal artificial regularizada bayesiana para el mercado de valores
pronóstico Expert Syst Appl 40 (14), 5501–5506.
Toksarı, MD, 2007. Enfoque de optimización de colonias de hormigas para estimar la demanda de energía
de pavo. Política energética 35 (8), 3984–3990.
Ü. Agbulut
Touratier-Muller, N., Machat, K., Jaussaud, J., 2019. Impacto del gobierno francés
políticas para reducir las emisiones de CO2 del transporte de mercancías en las pequeñas y
medianas empresas. J. Limpio. Pinchar. 215, 721–729.
Tuncer, AD, Sözen, A., Afshari, F., Khanlari, A., Şirin, C., Gungor, A., 2020. Prueba de
una novedosa cámara de secado de absorbente solar de tipo convexo en el proceso de
deshumidificación de lodos de depuradora municipal. J. Limpio. Pinchar. 272, 122862.
Turgut, MS, Eliiyi, U., Turgut, OE, Öner, E., Eliiyi, DT, 2021. Inteligencia artificial
enfoques para estimar la demanda de energía del transporte en Turquía. Arabian J. Sci. Ing.
46 (3), 2443–2476.
TurkStat (2020a) Estadísticas de población.https://tuik.gov.tr/PreHaberBultenleri.do?id=
33705. Consultado el 27 de agosto de 2021.
TurkStat (2020b). Estática económica.https://tuik.gov.tr/PreHaberBultenleri.do?id=
33603. Consultado el 12 de julio de 2021.
TurkStat (2021c). Vehículos de motor de carretera.https://turkstatweb.tuik.gov.tr/HbGetir.do?
id=33657&tb_id=3. Consultado el 27 de agosto de 2021.
TurkStat (2021d) https://data.tuik.gov.tr/Bulten/Index?p=
Vehículo-kilómetro-Estadísticas-2019-37409&dil=2Consultado el 27 de agosto de 2021. Tutun,
S., Chou, CA, Canıyılmaz, E., 2015. Un nuevo marco de pronóstico para la volatilidad
comportamiento en el consumo neto de electricidad: un estudio de caso en Turquía. Energía 93, 2406–
2422.
CMNUCC, 2019, CMNUCC (Convención Marco de las Naciones Unidas sobre el
cambio de mate), Tablas de formato de informes comunes-Turquía (2019):
Consultado el 25.08.2021,https://unfccc.int/procesos-y-reuniones/
transparencia-e-informes/informe-y-revisión-bajo-la-convención/inventarios-de-gases-de-
invernadero-partes-del-anexo-i/presentaciones-de-inventario-nacional-2019. Uzar, U., Eyuboglu,
K., 2019. ¿Es la inversión extranjera directa un motor para el consumo de energía?
suposición? Una investigación empírica para Turquía. Reinar. ciencia contaminar Res. 26 (27),
28092–28105.
Ünler, A., 2008. Mejora de las previsiones de demanda de energía utilizando inteligencia de enjambre:
el caso de Turquía con proyecciones a 2025. Energy Policy 36 (6), 1937–1944.
157
Producción y consumo sostenibles 29 (2022) 141–157
Vapnik, V., 2013. La naturaleza de la teoría del aprendizaje estadístico. Springer ciencia y negocios
medios de comunicacion
Wei, F., Zhang, X., Chu, J., Yang, F., Yuan, Z., 2021. Eficiencia energética y ambiental
eficiencia de los sectores de transporte de China teniendo en cuenta la incertidumbre de las
emisiones de CO2. transporte Res. Parte D: Transp. Reinar. 97, 102955.
Wen, L., Cao, Y., 2020. Factores que influyen en el análisis y pronóstico del entorno residencial.
Emisiones de CO2 relacionadas con la energía utilizando una máquina de vectores de soporte optimizada. J.
Limpio. Pinchar. 250, 119492.
Balances energéticos mundiales 2020, AIE. En línea:https://webstore.iea.org/download/direct/
4035
Banco Mundial 2020, en línea:https://www.worlddata.info/asia/turkey/index.php
Xu, HQ, Zhang, JE, Ouyang, Y., Lin, L., Quan, GM, Zhao, BL, Yu, JY, 2015. Efectos
de lluvia ácida simulada sobre características microbianas en un suelo rojo laterítico. Reinar. ciencia
contaminar Res. 22 (22), 18260–18266.
Yaman, H., Doğan, B., Yeşilyurt, MK, Erol, D., 2021. Aplicación de Al-
cohols (1-Hexanol-C6 y 1-Heptanol-C7) en un Motor de Encendido por Chispa: análisis
y Evaluación. Arabian J. Sci. Ing. 1–25.
Yan, D., Lei, Y., Li, L., Song, W., 2017. Eficiencia de emisiones de carbono y agrupación espacial
ing análisis en la industria de energía térmica de China: evidencia a nivel provincial. J.
Limpio. Pinchar. 156, 518–527.
Yıldız, G., Çalış, B., Gürel, AE, Ceylan, İ., 2020. Investigación de las emisiones de CO2 del ciclo de vida
iones de los paneles fotovoltaicos policristalinos y de telururo de cadmio. Reinar.
Nanotecnología. Monitor. Administrar 14, 100343.
Zang, H., Cheng, L., Ding, T., Cheung, KW, Wang, M., Wei, Z., Sun, G., 2020.
cación de la red funcional de creencias profundas para estimar la radiación solar global
diaria: un estudio de caso en China. Energía 191, 116502.
Zhelavskaya, IS, Shprits, YY, Spasojevic, M., 2018. Reconstruction of plasma electric
densidad de tron a partir de mediciones satelitales a través de redes neuronales artificiales. Mach.
Aprender. tecn. Meteorología espacial 301–327 Elsevier.