emilywang0525-ui/railway-carbon-footprint-ssp-ml: v1.0.0: Code for railway carbon-footprint projection study
emilywang0525-ui/railway-carbon-footprint-ssp-ml: v1.0.0: 鉄道カーボンフットプリント予測研究のためのコード (AI 翻訳)
emilywang0525-ui
🤖 gxceed AI 要約
日本語
本リリースは、中国省級鉄道運行のカーボンフットプリント算定・予測のための機械学習コードをアーカイブ。アンサンブルモデルによるスクリーニング、SSPシナリオに基づく将来予測、不確実性診断を実施。データやモデル成果物は別途Zenodoに収録。
English
This release archives custom machine learning code for provincial railway-operation carbon-footprint accounting and projection in China. It uses ensemble model screening, SSP-based future projection, baseline harmonization, and uncertainty diagnostics. Large data and trained models are archived separately.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
中国省級鉄道のカーボンフットプリント算定にMLを活用した事例。日本でもJR各社のScope1・2算定やSSBJ対応に応用可能性がある。データ整備やモデル選択手法は参考になる。
In the global GX context
This study applies ML to carbon-footprint accounting for Chinese provincial railways, using SSP scenarios for projection. It offers a methodology relevant for railway decarbonization globally, including for Japanese railway operators and similar infrastructure sectors. The ensemble model screening and uncertainty diagnostics are broadly applicable.
👥 読者別の含意
🔬研究者:For GX researchers: demonstrates a reproducible ML pipeline for railway carbon-footprint projection with SSP scenarios, including uncertainty quantification.
🏢実務担当者:For sustainability teams in railway companies: provides a methodology for carbon-footprint accounting and forecasting that can be adapted for reporting under TCFD/ISSB.
🏛政策担当者:For transportation policymakers: showcases how ML can enhance granular carbon accounting for railways, informing sectoral decarbonization targets.
📄 Abstract（原文）
This release archives the custom code used for provincial railway-operation carbon-footprint accounting support, temporal feature construction, leakage-controlled ensemble model screening, 2019-2022 forward-chaining development, 2023 temporal holdout validation, SSP projection, baseline-harmonized sensitivity analysis, uncertainty diagnostics and figure/source-data generation. Large data files, trained model artifacts and full model-selection outputs are archived separately in the accompanying Zenodo dataset record.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.5281/zenodo.20815307first seen 2026-06-25 04:53:04
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。