DOI: https://doi.org/10.28924/2291-8639-24-2026-18
تاريخ النشر: 2026-01-29
المؤلف: Dalia Kamal Alnagar وآخرون
الموضوع الرئيسي: الطاقة والبيئة والنمو الاقتصادي
نظرة عامة
تقدم هذه الدراسة إطار عمل جديد للتنبؤ يدمج بين تحليل السلاسل الزمنية والشبكات العصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM) للتنبؤ بانبعاثات ثاني أكسيد الكربون من قطاع النقل في المملكة العربية السعودية، بما يتماشى مع أهداف المناخ لرؤية 2030. باستخدام بيانات تاريخية من 1970 إلى 2024، تكشف النتائج أن نماذج LSTM تتفوق بشكل كبير على نماذج ARIMA التقليدية، حيث تحقق خطأ متوسط النسبة المطلقة (MAPE) قدره 6.82% للانبعاثات الكلية، مقارنة بـ 13.51% لنموذج ARIMA. تحدد التحليلات أن النقل البري هو المساهم الرئيسي، حيث يمثل أكثر من 95% من إجمالي الانبعاثات، مع توقعات تشير إلى زيادة من 149.8 مليون طن في 2025 إلى 172.5 مليون طن بحلول 2034. من المتوقع أيضًا أن ترتفع انبعاثات الطيران، مما يبرز الحاجة الملحة إلى سياسات نقل مستدامة.
تؤكد الدراسة على فعالية LSTM في التقاط الديناميات غير الخطية والتحولات الهيكلية في اتجاهات الانبعاثات، مما يظهر قيمًا أقل من MAPE وجذر متوسط مربع الخطأ (RMSE) عبر جميع القطاعات. قدم تحليل التحلل قبل تنفيذ LSTM رؤى قيمة حول قوة الاتجاه وتقلبه، مما يعزز دقة التنبؤ. بشكل عام، تدعم الأبحاث تطوير استراتيجيات تخفيف مستهدفة، خاصة في قطاع النقل البري، مع التأكيد على ضرورة وجود سياسات تعزز من استخدام المركبات الكهربائية وتحسين أنظمة النقل العام لمعالجة النمو المستمر في انبعاثات ثاني أكسيد الكربون المتعلقة بالنقل.
مقدمة
تؤكد مقدمة ورقة البحث على الحاجة الملحة للمملكة العربية السعودية (KSA) لتقليل انبعاثات ثاني أكسيد الكربون من قطاع النقل، الذي أصبح ذا أهمية متزايدة بسبب النمو السكاني والاستثمارات في البنية التحتية. يعد قطاع النقل، الذي يعتبر حيويًا للاقتصاد الوطني، مسؤولاً عن أكثر من 95% من الانبعاثات، بشكل أساسي من النقل البري، الذي يتمتع بمعدل ملكية مرتفع للمركبات. تسلط الورقة الضوء على أهمية التنبؤ الدقيق بالانبعاثات لإبلاغ قرارات السياسة التي تتماشى مع أهداف الاستدامة لرؤية 2030.
لمعالجة تعقيدات بيانات الانبعاثات، التي تظهر نموًا غير خطي وانقطاعات هيكلية، تقترح الدراسة استخدام الشبكات العصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM). تعتبر هذه المنهجيات المتقدمة في التعلم الآلي مناسبة تمامًا لالتقاط الديناميات الزمنية المعقدة لبيانات الانبعاثات. الهدف الرئيسي هو تحليل الاتجاهات التاريخية وتطوير إطار عمل تنبؤي لانبعاثات ثاني أكسيد الكربون في قطاع النقل، مما يوفر توقعات للفترة من 2025 إلى 2030 ستساعد في التخطيط البيئي وتطوير السياسات. كما تهدف الدراسة إلى تحديد محركات الانبعاثات وتقييم استراتيجيات التخفيف المحتملة، مما يساهم في إنشاء نظام نقل منخفض الكربون يتماشى مع أهداف رؤية 2030. ستفصل الأقسام اللاحقة الفجوات البحثية والمنهجية والنتائج وآثار السياسات.
الطرق
في هذه الدراسة، تم استخدام طريقتين للتحلل لتحليل بيانات السلاسل الزمنية: التحلل الإضافي الكلاسيكي والتحلل الموسمي والاتجاه باستخدام Loess (STL). تقوم طريقة التحلل الإضافي الكلاسيكي بتفكيك السلسلة الزمنية \( Y(t) \) إلى ثلاثة مكونات: \( Y(t) = \text{الاتجاه}(t) + \text{الموسمي}(t) + \text{الباقي}(t) \). تعتبر هذه الطريقة مفيدة لتحديد الاتجاهات طويلة الأجل والأنماط الموسمية، وتعمل كتقنية أساسية للتحليل الأولي.
على النقيض من ذلك، توفر طريقة STL إطارًا أكثر تطورًا وقابلية للتكيف، مما يعالج بفعالية الأنماط غير المنتظمة، وعدم الثبات، والقيم الشاذة في البيانات. أظهرت هذه التقنية أداءً متفوقًا في استخراج الاتجاهات، خاصة في سياق بيانات انبعاثات ثاني أكسيد الكربون، التي أظهرت انقطاعات هيكلية وديناميات غير خطية طوال فترة الدراسة. يبرز تطبيق هذه الطرق أهمية اختيار تقنيات تحليل مناسبة بناءً على خصائص مجموعة البيانات.
النتائج
تكشف نتائج الدراسة، المستندة إلى الإطار المنهجي الموضح في القسم 3، عن رؤى مهمة حول انبعاثات ثاني أكسيد الكربون من النقل في المملكة العربية السعودية. تم إجراء تحليل إحصائي وصفي لبيانات الانبعاثات التاريخية لكشف الأنماط والاتجاهات، والذي تم تكملته بعد ذلك بتحليل السلاسل الزمنية. تم استخدام الشبكة العصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM) كنموذج تنبؤي رئيسي للتنبؤ بالانبعاثات، مع إجراء تحليل مقارن ضد نموذج ARIMA لتقييم دقة التنبؤ.
تؤكد النتائج على أهمية هذه الأنماط الانبعاثية في تشكيل سياسات النقل المستدامة. تعتبر آثار النتائج ذات صلة خاصة بتعزيز أهداف رؤية 2030، مما يبرز الحاجة إلى تدخلات استراتيجية لتخفيف انبعاثات ثاني أكسيد الكربون وتعزيز الاستدامة داخل قطاع النقل. توفر الدراسة أساسًا للبحوث المستقبلية وتطوير السياسات الهادفة لتحقيق الأهداف البيئية في المملكة العربية السعودية.
المناقشة
تقدم قسم المناقشة في ورقة البحث نظرة شاملة على الأسس النظرية والتجريبية لاستخدام منهجيات التنبؤ المتقدمة، وخاصة الشبكات العصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM)، لتحليل انبعاثات النقل في المملكة العربية السعودية. تسلط مراجعة الأدبيات الضوء على فعالية تقنيات تحليل السلاسل الزمنية، مثل التحلل الموسمي والاتجاه باستخدام Loess (STL)، التي تعزز من معالجة البيانات البيئية المعقدة وتحسن من اختيار النموذج من خلال التحقق من الاتجاهات الأساسية. تشير الدراسات إلى أن دمج التحلل STL مع الشبكات العصبية يمكن أن يؤدي إلى تحسينات كبيرة في دقة التنبؤ، مما يعالج التحديات المتعلقة بالتقاط كل من الاتجاهات طويلة الأجل والأنماط غير المنتظمة في بيانات الانبعاثات.
يتم التأكيد على تطبيق شبكات LSTM لقدرتها على نمذجة بيانات السلاسل الزمنية غير الخطية والمعقدة، متجاوزة مشكلات مثل تلاشي التدرجات وتعلم الاعتمادات طويلة الأجل بفعالية. تكشف التحليلات المقارنة أن نماذج LSTM ثنائية الاتجاه (BiLSTM) تتفوق على الهياكل القياسية لـ LSTM في دقة التنبؤ، خاصة في السيناريوهات التي تتطلب التعرف الدقيق على الأنماط الزمنية. علاوة على ذلك، تؤكد الورقة على التطبيق المحدود لنماذج LSTM في سياق التنبؤ بانبعاثات ثاني أكسيد الكربون في قطاع النقل في المملكة العربية السعودية، على الرغم من الدراسات الحالية التي تظهر إمكاناتها في المجالات ذات الصلة. تدعو النتائج إلى دمج أطر التنبؤ المتقدمة لدعم أهداف المناخ في البلاد، خاصة بما يتماشى مع خارطة طريق رؤية 2030 للمملكة العربية السعودية، مما يبرز الحاجة الملحة لتحسين قدرات التنبؤ بالانبعاثات واستراتيجيات التخفيف المستهدفة.
DOI: https://doi.org/10.28924/2291-8639-24-2026-18
Publication Date: 2026-01-29
Author(s): Dalia Kamal Alnagar et al.
Primary Topic: Energy, Environment, Economic Growth
Overview
This study presents a novel forecasting framework that integrates time series decomposition with Long Short-Term Memory (LSTM) neural networks to predict CO₂ emissions from Saudi Arabia’s transportation sector, aligning with the Vision 2030 climate objectives. Utilizing historical data from 1970 to 2024, the findings reveal that LSTM models significantly outperform traditional ARIMA models, achieving a Mean Absolute Percentage Error (MAPE) of 6.82% for total emissions, compared to 13.51% for ARIMA. The analysis identifies road transport as the primary contributor, accounting for over 95% of total emissions, with projections indicating an increase from 149.8 million tons in 2025 to 172.5 million tons by 2034. Aviation emissions are also expected to rise, highlighting the urgent need for sustainable transport policies.
The study underscores the effectiveness of LSTM in capturing nonlinear dynamics and structural shifts in emission trends, demonstrating lower MAPE and Root Mean Squared Error (RMSE) values across all sectors. The decomposition analysis prior to LSTM implementation provided valuable insights into trend strength and volatility, enhancing forecast accuracy. Overall, the research supports the development of targeted mitigation strategies, particularly in the road transport sector, while emphasizing the necessity for policies that promote electric vehicles and improved public transit systems to address the persistent growth in transportation-related CO₂ emissions.
Introduction
The introduction of the research paper emphasizes the urgent need for the Kingdom of Saudi Arabia (KSA) to reduce CO₂ emissions from its transportation sector, which is increasingly significant due to population growth and infrastructure investments. The transport sector, crucial for the national economy, is responsible for over 95% of emissions, primarily from road transport, which has a high vehicle ownership rate. The paper highlights the importance of accurate emissions prediction to inform policy decisions aligned with the Vision 2030 sustainability goals.
To address the complexities of emissions data, which exhibit nonlinear growth and structural breaks, the study proposes the use of long-short-term memory (LSTM) neural networks. These advanced machine learning methodologies are well-suited for capturing the intricate temporal dynamics of emissions data. The primary aim is to analyze historical trends and develop a predictive framework for CO₂ emissions in the transportation sector, providing forecasts for 2025-2030 that will aid in environmental planning and policy development. The study also intends to identify emission drivers and evaluate potential mitigation strategies, contributing to the establishment of a low-carbon transportation system in line with Vision 2030 objectives. The subsequent sections will detail the research gaps, methodology, findings, and policy implications.
Methods
In this study, two decomposition methods were employed to analyze time series data: Classical Additive Decomposition and Seasonal and Trend Decomposition using Loess (STL). The Classical Additive Decomposition method decomposes the time series \( Y(t) \) into three components: \( Y(t) = \text{Trend}(t) + \text{Seasonal}(t) + \text{Residual}(t) \). This approach is beneficial for identifying long-term trends and seasonal patterns, serving as a foundational technique for preliminary analysis.
In contrast, the STL method offers a more sophisticated and adaptable framework, effectively addressing irregular patterns, nonstationarity, and outliers in the data. This technique demonstrated superior performance in extracting trends, particularly in the context of CO\(_2\) emissions data, which displayed structural breaks and nonlinear dynamics throughout the study period. The application of these methods highlights the importance of selecting appropriate analytical techniques based on the characteristics of the dataset.
Results
The results of the study, grounded in the methodological framework outlined in Section 3, reveal significant insights into CO₂ emissions from transportation in Saudi Arabia. A descriptive statistical analysis of historical emissions data was conducted to uncover patterns and trends, which was subsequently complemented by time series decomposition. The Long Short-Term Memory (LSTM) neural network was employed as the primary predictive model for forecasting emissions, with a comparative analysis against the ARIMA model to evaluate forecasting accuracy.
The findings underscore the importance of these emissions patterns in shaping sustainable transportation policies. The implications of the results are particularly relevant for advancing the goals of Vision 2030, emphasizing the need for strategic interventions to mitigate CO₂ emissions and promote sustainability within the transportation sector. The study provides a foundation for future research and policy development aimed at achieving environmental objectives in Saudi Arabia.
Discussion
The discussion section of the research paper provides a comprehensive overview of the theoretical and empirical foundations for utilizing advanced forecasting methodologies, particularly Long Short-Term Memory (LSTM) neural networks, to analyze transportation emissions in Saudi Arabia. The literature review highlights the efficacy of time series decomposition techniques, such as the Seasonal and Trend Decomposition using Loess (STL), which enhances the preprocessing of complex environmental data and improves model selection by validating underlying trends. Studies indicate that combining STL decomposition with neural networks can yield significant improvements in forecast accuracy, addressing the challenges of capturing both long-term trends and irregular patterns in emissions data.
The application of LSTM networks is emphasized for their capability to model nonlinear and complex time series data, overcoming issues like vanishing gradients and effectively learning long-term dependencies. Comparative analyses reveal that bidirectional LSTM (BiLSTM) models outperform standard LSTM architectures in predictive accuracy, particularly in scenarios requiring nuanced temporal pattern recognition. Furthermore, the paper underscores the limited application of LSTM models in the context of CO₂ emissions forecasting in Saudi Arabia’s transportation sector, despite existing studies demonstrating their potential in related fields. The findings advocate for the integration of advanced forecasting frameworks to support the country’s climate objectives, particularly in alignment with Saudi Arabia’s Vision 2030 roadmap, highlighting the urgency for improved emission forecasting capabilities and targeted mitigation strategies.