在全球气候危机日益加剧的当下，运输行业已成为温室气体排放的主要来源。以美国为例，长途重型卡车虽仅占道路车辆总数的0.4%，却贡献了约11%的交通运输碳排放，显示出巨大的减排潜力。电动化被视为重卡脱碳的重要途径，但若沿用传统的驾驶与充电模式，其减碳成效将显著下降，甚至在部分场景下比燃油重卡排放更多碳。

香港中文大学（深圳）数据科学学院陈名华教授和两位DANCES实验室成员苏隽岩和林秋林基于团队多年系统研究，提出了一种创新方法，旨在解决大规模高速网络上重卡限时运输路径、速度与充电策略联合优化。在满足限时运输要求的同时，该方法可显著提升电动重卡的减碳效益。在全美高速公路网络测试中，该方法在电动化基础上额外实现25%的减排，使总碳排降幅达61%，减排总量相当于一个海湾地区富裕国家的年排放量。更重要的是，该策略可以推广到所有长途卡车运输场景，有望实现比单纯依赖零排放卡车提前9年实现相同减排目标，为行业提供了立即可部署的软件算法解决方案。

该研究成果近日刊登于国际顶刊Nature Communications，论文题为“Optimizing Carbon Footprint in Long-Haul Heavy-Duty E-Truck Transportation”。文章同时入选Nature Communications 工程与基础设施领域“编辑精选”（Editor’s Highlights），成为2025年至今该领域全球仅收录的12篇精选论文之一，面向全球学界与产业界展示。此外，该文章亦被列为Nature Communications土木工程领域、能源与社会领域的“精选文章”（Featured Article）。值得一提的是，该研究不仅为Nature 系列期刊中首篇聚焦电动重卡碳足迹优化的论文，其会议版本还获得ACM e-Energy 2023大会唯一“最佳论文奖”。

总体来说，该研究不仅成功运用计算机科学和运筹学的工具解决了电动重卡减碳最大化的关键难点，也为重型物流行业开辟了数据驱动、可立即部署的绿色运输新方案。

作者名单：苏隽岩，林秋林，陈名华教授 （通讯作者）
通讯单位：香港中文大学（深圳）数据科学学院、香港城市大学数据科学系（暂休）
原文链接：https://www.nature.com/articles/s41467-025-64792-2

全文速览

重型卡车电气化对于交通运输脱碳至关重要。但要充分发挥其潜力，就必须最小化其运输途中的碳足迹。这项复杂的优化任务涉及路径、速度和充电策略规划，传统方法难以应用在大规模路网上。本研究创新性地提出了“阶段扩展图”方法，有效简化了问题复杂度并揭示了其固有结构，从而能将问题分解为更易解决的子问题，实现了路径与充电决策的高效协同。基于这一新颖框架，我们设计出了一套高效且具有性能保证的算法。通过利用美国高速公路网络的真实数据进行模拟仿真，我们发现该方法在电气化实现36%减碳的基础上，额外带来了25%的减少，使总减碳量达到了61%。此外，我们的碳优化策略适用于各种重卡类型，并且能够比单独推广零排放重卡提前9年实现同等减碳量。这无疑将极大加速交通运输领域的脱碳进程，为全球应对气候变化提供了一个可实施且强有力的解决方案。

研究背景

气候变化已成为全球面临的最严峻挑战，而人为温室气体排放正是其主要驱动力。要实现将全球升温控制在1.5摄氏度以内的目标，各主要行业协同减排刻不容缓。在美国，交通板块已成为最大的温室气体排放源，贡献了全国二氧化碳总排放的37%。值得警惕的是，尽管长途重型卡车仅占道路车辆总数的0.4%，却产生了交通运输碳排放的11%，这意味着长途重卡的脱碳对气候变化缓解具有举足轻重的影响。

电动卡车被视为重型卡车领域实现脱碳的关键一步。电动重卡不仅能带来更佳的驾驶体验并消除尾气排放，更重要的是它具备显著的碳减排潜力。然而仅靠电动化并不能充分发挥电动重卡的减碳潜力。现有电动重卡普遍采用“最快路径”和“电量低即充电”的传统运营模式，未能充分考虑能耗效率和电网碳强度（每度电对应的碳排放，见图1）。这意味着，如果运营不当，电动重卡的实际减碳潜力将大打折扣，甚至可能比燃油重卡多耗碳。 我们的研究表明，这种非智能运营模式可能低估电动重卡25%的减碳潜力。

因此，如何通过智能化的路径、速度和充电策略，在满足运输时效的同时，最大化电动重卡的减碳效益，成为当前亟待解决的关键问题。这正是我们研究的出发点，旨在为电动重卡行业提供一条真正绿色、高效的智能运营之路。

图1. 美国电网碳强度(kg/kWh)在时空上的分布

解决方案与实践验证

解决方案

团队提出创新的“阶段增广图”方法。基于电动卡车长途运输中充电次数有限（通常为3到4次）的观察，将复杂的联合优化问题分解为两个子问题：

• 阶段内节能驾驶
• 阶段间碳感知充电

值得注意的是，这里每个阶段的时间长度、起始和结束节点都是优化的变量，而非预先固定。团队还设计了一种具有收敛保证和多项式复杂度的对偶子梯度算法，确保在大规模问题中的高效求解。

在全美高速公路网络验证中，该方法在电气化本身36%减排基础上，额外实现了25%减排效果，总计减排61%。更重要的是，这一策略比单纯依赖零排放卡车提前9年实现相同减排水平，为行业提供了立即可部署的软件算法解决方案。
 

相关燃气重卡限时运输节能实车验证

在重卡限时运输驾驶优化上，团队实现了E2Pilots在线重卡限时运输规划平台并进行2.2万公里50吨燃气重卡实车测试。结果显示，即使司机仅35%-65%的时间遵循团队算法建议，仍比传统专线司机平均节能5%、最高15%。

总结

本研究通过深入探讨碳足迹优化策略，充分发挥长途重型电动重卡的脱碳潜力。团队开创性提出基于阶段扩展图的建模方法，并开发出理论严谨、实践高效的算法。基于真实数据的仿真结果表明，该碳足迹优化策略能在纯电动化本身36%减碳基础上，将电动重卡的碳足迹额外减少25%，累计实现61%减碳量。

团队方法具有广泛适用性，可应用于包括燃油重卡和零排放车辆在内的各种重卡类型，为重卡运输行业的碳减排评估提供了科学依据。团队预测，碳足迹优化策略将极大推动长途重卡行业的脱碳进程，使其能够比单纯依靠零排放重卡普及提前9年实现可观的减碳目标。这一发现为长途重卡行业描绘了全新的脱碳路径：通过系统化的运营优化，而非仅依赖技术更迭，即可释放前所未有的减碳潜力。

团队希望能以此为契机，推动行业内外对碳优化策略的关注和应用，共同迈向一个更绿色、更可持续的物流未来。

研究意义与展望

这项研究是Nature 系列期刊在电动重卡碳足迹方向的首篇文章，同时也是陈名华教授团队自2015年以来在长途重卡限时运输优化方向的第12篇论文。团队的研究风格鲜明：聚焦实际重要但理论未决的问题，提出基于新角度的解决方案，并确保理论贡献与实际效果兼具。

这项研究不仅填补了电动重卡碳足迹优化领域的理论空白，还为全球交通减排提供了切实可行的技术路径。其核心贡献在于：

• 理论创新：减碳不仅是技术问题，更是系统性问题。通过整合路径规划、充电策略和电网碳强度，研究展示了多维度协同优化的潜力。
• 实践价值：算法可直接应用于现有电动重卡，无需额外硬件投入，显著降低减排成本。
• 政策启示：为充电基础设施布局与可再生能源协同发展提供了科学依据。
• 全球影响：该成果不仅适用于长途重卡，还可推广至城市配送、多式联运等领域，为全球交通减排提供新思路。

教授介绍

陈名华
港中大（深圳）校长讲座教授
清华大学学士、硕士、加州大学伯克利分校博士
IEEE会士、AAIA会士、ACM杰出科学家

研究领域：

在线算法和优化、机器学习以及在电力系统运行中的应用、智能交通、分布式优化、延迟关键网络技术
 

个人简介：

陈教授在清华大学电子工程系获得工学学士和硕士学位，在加州大学伯克利分校电气工程与计算机科学系获得博士学位。他现任香港中文大学（深圳）数据科学学院校长讲席教授。他于2007年获得加州大学伯克利分校Eli Jury奖（该奖项颁发给在系统、通信、控制或信号处理领域取得杰出成就的研究生或近期校友），2013年获得香港中文大学青年研究者奖。他还获得了多个论文奖项，包括2009年IEEE ICME会议最佳论文奖、2009年IEEE Transactions on Multimedia 最佳论文奖(Prize Paper Award)、2012年ACM Multimedia会议最佳论文奖、2023年ACM e-Energy会议最佳论文奖，以及2024年Gradient AI研究奖。陈教授共同发明的编码技术已被集成到微软Windows和Azure云存储中，为数亿用户提供服务。他目前担任IEEE Systems Journal 高级编辑（2021年至今），以及ACM SIGEnergy Award Chair和执行委员会成员（2018年至今）。他近期的研究兴趣包括在线算法和优化、机器学习以及在电力系统运行中的应用、智能交通、分布式优化、延迟关键网络技术。他是ACM杰出科学家和IEEE会士。