AI-Supported Emission Factor-Based Approach for Carbon Footprint Analysis and Intersection Prioritization in Sustainable Cities

Yıldız E., Balta D., Balta M.

International Conference on Computer Sciences 2026, Zagreb, Hırvatistan, 17 - 18 Eylül 2026, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Zagreb
  • Basıldığı Ülke: Hırvatistan
  • İstanbul Üniversitesi-Cerrahpaşa Adresli: Evet

Özet

Artan nüfus ve hızlı kentleşme, kentsel ulaşım sistemlerinde trafik sıkışıklığını artırarak daha yüksek yakıt tüketimine, daha büyük bir karbon ayak izine ve artan hava kirliliğine yol açmaktadır; bu durum, sürdürülebilir trafik yönetimi için emisyon odaklı karar destek sistemlerine olan ihtiyacı artırmaktadır. Bu çalışmada, Sakarya Büyükşehir Belediyesi iş birliğiyle, Sakarya ilinin Adapazarı ilçesindeki yedi kritik ana kavşaktan toplanan gerçek zamanlı trafik verileri kullanılarak emisyon odaklı bir karar destek yaklaşımı geliştirilmiştir. Trafik verileri kullanılarak CO2, NOx ve egzoz kaynaklı PM2.5 emisyonları COPERT/EMEP-EEA Tier 2 metodolojisi ile hesaplanmış; ardından kirleticileri bütüncül bir şekilde değerlendirmek amacıyla normalleştirilmiş bir çoklu kirletici emisyon öncelik puanı oluşturulmuştur. Elde edilen emisyon puanları kullanılarak kritik kavşak-zaman kombinasyonları belirlenmiş ve emisyon seviyeleri; Rastgele Orman (Random Forest), Destek Vektör Makineleri (SVM), Gradyan Artırma (Gradient Boosting) ve XGBoost algoritmaları kullanılarak sınıflandırılmıştır. Model performansı "bir grubu dışarıda bırakma" (Leave-One-Group-Out) çapraz doğrulama yöntemiyle değerlendirilmiş ve en iyi sonuçlar XGBoost algoritmasıyla elde edilmiştir. XGBoost modeli; 0,978 doğruluk oranı, 0,972 F1 skoru ve 0,147 RMSE değeri ile diğer yöntemlere kıyasla üstün bir performans sergilemiştir. Önerilen yaklaşım; trafik yoğunluğunu tek başına değerlendirmek yerine kavşak trafik verilerini, mekansal etki mesafelerini, COPERT tabanlı emisyon tahminlerini, çoklu kirletici emisyon puanlamasını, Top-K önceliklendirmeyi ve makine öğrenmesi tabanlı emisyon sınıflandırmasını sürdürülebilir şehirler için bütünleşik bir karar destek çerçevesinde birleştirmektedir.

A growing population and rapid urbanization are increasing traffic congestion in urban transportation systems, leading to higher fuel consumption, a larger carbon footprint, and increased air pollution; this situation heightens the need for emissions-focused decision support systems for sustainable traffic management. In this study, an emissions-focused decision support approach was developed using real-time traffic data collected from seven critical arterial intersections in the Adapazarı district of Sakarya Province, in collaboration with the Sakarya Metropolitan Municipality. Using the traffic data, CO2, NOx, and exhaust-derived PM2.5 emissions were calculated with the COPERT/EMEP-EEA Tier 2 methodology; subsequently, a normalized multi-pollutant emission priority score was developed to evaluate pollutants collectively. Using the resulting emission scores, critical intersection-time combinations were identified, and emission levels were classified using the Random Forest, Support Vector Machine, Gradient Boosting, and XGBoost algorithms. Model performance was evaluated using the Leave-One-Group-Out cross-validation method, and the best results were obtained with the XGBoost algorithm. The XGBoost model demonstrated superior performance compared to other methods, with an accuracy of 0.978, an F1 score of 0.972, and an RMSE value of 0.147. The proposed approach integrates intersection traffic data, spatial impact distances, COPERT-based emission estimates, multi-pollutant emission scoring, Top-K prioritization, and machine-learning-based emission classification into a unified decision-support framework for sustainable cities, rather than evaluating traffic density in isolation.