[en] NOX EMISSION PREDICTION IN HEAVY-DUTY VEHICLES USING DEEP LEARNING WITH METEOROLOGICAL DATA INTEGRATION

[pt] PREVISÃO DE EMISSÕES DE NOX EM VEÍCULOS PESADOS USANDO DEEP LEARNING COM INTEGRAÇÃO DE DADOS METEOROLÓGICOS

[pt] ANDRE VITOR SANTANA SOUZA

[pt] KRIGAGEM

[pt] EMISSAO DE NOX

[pt] LSTM

[pt] APRENDIZADO PROFUNDO

[en] KRIGING INTERPOLATION

[en] NOX EMISSION

[en] LSTM

[en] DEEP LEARNING

[pt] As emissões de óxidos de nitrogênio (NOx) provenientes de veículos pesados representam riscos ambientais e à saúde significativos, especialmenteem regiões urbanas com alta densidade de tráfego. Este estudo propõe umaestrutura baseada em aprendizado profundo para prever emissões de NOx utilizando dados reais coletados de veículos em operação no Brasil, enriquecidoscom variáveis meteorológicas interpoladas. Um pipeline abrangente de préprocessamento integra leituras de sensores embarcados, metadados das viagense dados de estações meteorológicas por meio de interpolação temporal e espacial, incluindo krigagem. A análise avalia quatro modelos de regressão: Regressão Linear, Random Forest, XGBoost e Long Short-Term Memory (LSTM),em diferentes estratégias de previsão multi-horizonte: passo único, recursiva,multi-saída e previsão direta. Os resultados mostram que o LSTM alcança consistentemente as menores taxas de erro, particularmente no modo recursivo,com valores de Erro Percentual Absoluto Médio (MAPE) inferior a 10 por cento. Avelocidade média ajustada surgiu como o preditor mais relevante, enquanto asvariáveis meteorológicas melhoraram a precisão em alguns cenários. Diferentemente de estudos anteriores, este trabalho integra, de forma inédita no Brasil,dados contínuos embarcados de frotas com interpolação meteorológica espaçotemporal por krigagem (kriging). Além disso, avança a fronteira científica aopropor um framework metodológico para previsão de NOx e avaliação comparativa (benchmarking) sob estratégias multi-horizonte em condições reais deoperação.

[en] Nitrogen oxides (NOx) emissions from heavy-duty vehicles pose significant environmental and health risks, especially in urban regions with high traffic density. This study proposes a deep learning-based framework to forecast NOx emissions using real-world data collected from vehicles operating in Brazil, enriched with interpolated meteorological variables. A comprehensive preprocessing pipeline integrates onboard sensor readings, trip metadata, and weather station data through temporal and spatial interpolation, including kriging. The analysis evaluates four regression models: Linear Regression, RandomForest, XGBoost, and Long Short-Term Memory (LSTM).Acrossmultiple multi-horizon forecasting strategies: single-step, recursive, multi-output and direct forecasting. Results indicates that LSTM consistently achieves the lowest error rates, particularly in recursive mode, with Mean Absolute Percentage Error (MAPE) dropping below 10 percent in the best configuration. Adjusted average speed emerged as the most relevant predictor, while meteorological variables further improved accuracy in some scenarios. Unlike previous studies, this work pioneers the integration of continuous on board fleet data in Brazil with spatio temporal meteorological interpolation via kriging, this study also advances the scientific frontier by proposing a methodological framework for NOx forecasting and benchmarking under multi-horizon strategies in real-world conditions.

PAULO IVSON NETTO SANTOS

PAULO IVSON NETTO SANTOS

MARKUS ENDLER

KARLA TEREZA FIGUEIREDO LEITE

2026-01-05

2025-09-02

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74707@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74707@2

https://doi.org/10.17771/PUCRio.acad.74707