应用人工智能：解决环境可持续性和排放问题的一臂之力

最初由爱立信发布

人工智能 (AI) 真的可以用来帮助我们应对气候变化并建设一个更加可持续发展的世界吗？简单的答案是肯定的！人工智能的发展以及我们应用该技术并推动采用的能力，使我们能够解决以前看似不可能的问题。以下是爱立信如何通过应用人工智能来优化产品运输来识别和减少二氧化碳当量排放，从而降低供应链某一部分的碳足迹。

为什么是必要的？

积极管理与气候行动和环境相关的主题是爱立信可持续发展战略的核心组成部分。构成了三个主要可持续发展重点领域之一，另外两个是负责任的商业和数字包容性（了解更多信息，请点击此处）。随着全球变暖的威胁日益严重，碳排放的负面影响已成为全球迫切关注的问题。企业面临加速气候行动的压力限制全球变暖变得前所未有的普遍，企业界正在承诺实现其在整个价值链上实现净零排放的雄心。根据美国环境保护署 2019 年气候变化报告，交通运输占全球温室气体 (GHG) 排放量的 29%，这一比例令人震惊。在爱立信，我们认真对待脱碳的需要。为了应对这一威胁，爱立信承诺到 2040 年在我们的价值链中实现净零排放。爱立信已经在努力实现第一个重大里程碑，即到 2030 年将供应链和产品组合的排放量减少 50%，同时在我们自己的活动中实现净零排放。产品运输是减少供应链排放的关键活动之一。

为了代替上述内容，并实现我们减少二氧化碳当量排放的宏伟目标，集团 IT 人工智能和自动化专家与 Supply 一起定义了一个优化方案实现产品运输的自动化（包括监控、预测和减少），以应用人工智能实现不可思议的目标。

图 1：二氧化碳当量排放仪表板 - 爱立信全球和单位。注：所有表示的数字均为虚拟数据。

如何测量和分析交通运输的二氧化碳当量排放量 但如何实施这一战略计划才能真正改变交通排放和公司直接控制之外的业务领域呢？首先，我们需要这些信息来通过可测量的数据和透明的报告（称为“监测”阶段）了解供应链排放的全部范围。

此阶段帮助绘制了组织当前的二氧化碳当量排放情景，包括多个复杂的产品运输流程，例如客户供应链、产品供应链、本地运输和多样化流程。开发这种解决方案的主要挑战是缺乏可用性数据能力，来自各种来源的相关数据，并开发精确的逻辑来计算二氧化碳当量排放量。借助各种分析技术和基于燃料、基于距离、基于成本的方法，我们能够计算与运输相关的排放量。经过多次试验和错误，基于距离的方法被发现是最适合爱立信运输管理的方法。我们通过对常见参数（如购买的货物量、行驶距离、相应运输方式和/或类型的标准排放因子等）进行建模，得出二氧化碳当量排放量。该模型的构建足够通用，可以适应大多数类似的运输服务。各种运输方式的二氧化碳当量计算的简化版本如下：

Y=Σ（购买的货物质量（吨数或体积）×运输路程行驶距离（公里）×运输方式或车辆类型的排放因子（千克）CO2e/吨或体积/公里))

借助 CO2e 排放算法和允许全球用户同时交互的 LowCode 基于 Web 的可视化仪表板，我们能够部署基于数据模型的完整监控解决方案，仪表板的参考快照（右）。

通过测量和监控不同运输方式的二氧化碳当量排放量，我们能够提高数据质量。通过分析收集的数据，企业可以识别数据质量较低的特定领域，并可以推动数据管理员采取举措，以提高收集的数据的质量，并在运营层面采取举措，以捕获正确的数据。这种提高数据质量的迭代过程将逐渐帮助业务驱动者做出明智的决策。

图 2：二氧化碳当量排放仪表板爱立信全球 - 交通方式。

将数据转化为未来洞察：预测阶段

有数据和ba掌握了 sic 分析后，下一个合乎逻辑的步骤是捕获重要模式和趋势以预测未来业务，称为“预测”阶段。

由于分类货运量较高，预测各个运输通道的装运量和重量是一个复杂的过程。运输服务的不确定性、流程的多样化和非标准化程序使得实现最佳的运输资源利用和分配规划更具挑战性。

通过应用回归、聚类、深度学习等机器学习 (ML) 技术，并利用历史和交易数据，我们开发出了比手动预测更准确的长期和短期发货重量预测。

应用此类方法不仅可以减少手动生成预测的需求，还可以帮助物流服务提供商 (LSP) 提高交付精度，从而提高速率和效率从而降低了成本。该预测将确保运输能力的可用性并显着缩短交货时间。

通过良好的预测，LSP 可以确定跨地区和运输路线货运的关键驱动因素以及对整个产品运输链的影响。

该解决方案的建模部分由多种增强算法组成，这些算法对学习率、最大深度、n_估计器、子样本等功能进行广泛的超参数调整。由于数据的波动性和不一致，任何单一模型都无法产生结果，因此开发了具有不同超参数的机器学习模型集合。该框架的设计方式是，在运行时以动态模式选取最佳模型（对于精通技术的人来说，这是通过最低 WMAPE（加权平均绝对百分比误差）实现的），并用于预测相关的重量/体积。

预测到行动ns – 还原阶段

在测量和分析 CO2e 排放结果并进行良好的长期和短期预测后，现在是时候制定计划并实施减少 CO2e 排放的方法了，也称为“减排”阶段。

在监测和预测的帮助下，持续的警示过程肯定有助于二氧化碳当量排放的迭代优化。

减少和改善运输活动 车队优化 – 提高卡车的填充度，减少不必要的空运，并更新车队。 改进包装和运输材料的规划，更好的供应商协作。 提高运输效率 通过预测避免交货时间过短 使用组织良好的导航 预测分析可防止车辆故障并有效减少能源使用（预测维护）

简而言之，物流运输行业是化石燃料的主要消费者之一，因此是化石燃料的主要贡献者根据美国环境保护署 2019 年气候变化报告，我们了解到，人工智能可以通过优化车辆流量、提供更高效的导航和促进共享交通来减少运输车辆的使用。

根据我们对人工智能潜力和行业自动化持续发展的见解，这篇博文强调了我们的三阶段战略方法 - 监控、预测和减少。

除了提高二氧化碳当量排放的可见性和透明度，以及提高数据质量、运营效率和客户满意度之外，运输量预测还旨在减少二氧化碳当量和运营支出。

我们相信，通过这种三阶段方法以及强大的领域知识可以解决环境可持续性挑战。如果使用sensib毫无疑问，人工智能将加速我们的可持续发展努力。

人工智能已经成为赋权政府、组织和个人做出更明智决策并努力创造更健康地球的关键。在爱立信，我们正在努力实现这一目标，并很自豪能够展示应用人工智能如何实现可持续的变革。

气候变化的严重性以及人工智能的潜力使得我们有必要不去尝试，你不觉得吗？

人工智能 环境可持续性和排放 爱立信 纳斯达克股票代码：埃里克