CN113610268A - 一种基于居住区空间形态的碳排放量预测方法 - Google Patents
一种基于居住区空间形态的碳排放量预测方法 Download PDFInfo
- Publication number
- CN113610268A CN113610268A CN202110718836.5A CN202110718836A CN113610268A CN 113610268 A CN113610268 A CN 113610268A CN 202110718836 A CN202110718836 A CN 202110718836A CN 113610268 A CN113610268 A CN 113610268A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction model
- residential
- area
- carbon emission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 80
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003647 oxidation Effects 0.000 claims 1
- 238000007254 oxidation reaction Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 6
- 238000012417 linear regression Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于居住区空间形态的碳排放量预测方法,包括:获取样本数据;样本数据包括居住区空间形态特征参数和与居住区单位面积碳排放值;根据空间形态特征参数建立初步预测模型;根据模型结果对模型进行参数优化;输出最终预测模型,获得预测结果;根据居住区空间形态参数建立了居住建筑单位面积碳排放预测模型,通过预测模型可以为规划中的居住小区、居住建筑提供碳排放总量评估和减碳建议,相较于传统线性回归预测模型、本模型具有更高的精度。
Description
技术领域
本发明涉及二氧化碳预测技术领域,具体涉及一种基于居住区空间形态的碳排放量预测方法。
背景技术
碳排放引发的全球变暖问题已成为世界关注的焦点,我国是碳排放大国,城市是碳排放的主体,我国约有85%碳排放来源于城市,根据相关统计数据,中国居住能耗占城市建筑部门能耗的16%-25%。住区作为居住的基本单元,其整体碳排放水平与居住区空间形态密切相关。
目前居住区碳排放计算依赖于单体建筑能耗模拟,受到住区空置率和居住特点差异,模拟结果与实际碳排放千差万别,基于能耗软件的统一模拟往往很难准确核算不同住区的燃气碳排放。同时能耗模拟结果很难应用与城市规划管理,不适应未来城市可持续发展需求。
因此如何从规划领域入手实现居住区碳排放的准确预测,成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于居住区空间形态的碳排放量预测方法,以解决现有技术中基于能耗软件的统一模拟对不同住区的燃气碳排放核算准确度不够高,无法对接城市规划和城市管理的问题。
本发明实施例提供了一种基于居住区空间形态的碳排放量预测方法,包括:
获取样本数据;样本数据包括居住区空间形态特征参数与居住区单位用地面积碳排放值;根据空间形态特征参数建立初步预测模型;
根据模型结果对模型进行参数优化;
输出最终预测模型,获得预测结果。
可选地,居住区空间形态参数包括:容积率、建筑密度、平均层数、地块长宽比。
可选地,所述的基于居住区空间形态的碳排放量预测方法,其特征在于,根据空间形态特征参数建立初步预测模型包括:
用极端梯度提升算法建立所述预测模型;
通过所述预测模型特征训练所述初步预测模型;
可选地,根据初步预测模型训练结果对模型进行参数优化包括:
对数据集按照3:1的比例随机划分10个训练集和测试集;
在划分的10个训练集和测试集进行模型重复训练;
通过tuned_data函数对10个模型进行参数优化以获得最佳结果;
可选地,通过tuned_data函数对10个模型进行参数优化以获得最佳结果包括:
评判模型结果的指标包括决定系数和均方误差,将决定系数用R2表示,均方误差用MSE表示,计算每个所述模型的决定系数和均方误差:
如果结果是0,说明模型拟合效果很差;
如果结果是1,说明模型无错误。
根据MSE的取值判定模型预测能力的好坏。
可选地,根据所述输出最终预测模型,获得预测结果包括:
用优化极端梯度提升算法所得模型参数建立所述最终预测模型;
通过所述预测模型特征训练所述最终预测模型;
将待测居住区空间形态参数代入所述预测模型,获得所述待测居住区的预测单位用地面积碳排放量;
可选地,根据权利要求1所述的基于居住区空间形态的碳排放量预测方法,其特征在于,所述居住区单位用地面积碳排放值的计算如下:
其中,E为居住区单位用地面积碳排放量,Pi为统计一年居住区i种能源消耗量,Di为i种能源的二氧化然排放因子,S为居住区的用地面积。
可选地,在根据空间形态特征参数建立初步预测模型之前,还包括:采用数据空值填充规则对所述样本数据进行预处理;
对所述样本数据的各个特征进行归一化处理。
可选地,对所述样本数据的各个特征进行归一化处理包括:
其中,X为所述样本数据的特征值,Xmin为所述特征值的最小值,Xmax为所述特征值的最大值,Xstd为所述特征值的归一化结果。
可选地,通过所述预测模型特征训练所述最终预测模型:
获取每个所述最终预测模型的预测结果:
选取最优预测模型:
本发明实施例提供的一种基于居住区空间特征的碳排放预测方法,根据居住区空间形态指标建立了居住单位用地面积碳排放预测模型,通过预测模型可以为规划中的居住小区、居住用地提供减碳建议,相较于传统线性回归预测模型、本模型具有更高的精度。本预测模型将规划居住小区空间形态指标输入预测模型,得出规划小区居住区的单位用地面积碳排放量,在未来城市规划中,通过模型预测可以比选确定最低碳的居住区规划形式,实现了居住区规划时控制碳排放量的目标。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例一种基于居住区空间特征的碳排放预测方法的流程图;
图2示出了本发明实施例中一种预测结果与实际结果的拟合曲线对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于居住区空间特征的碳排放预测方法,如图 1所示,包括:
步骤S10,获取样本数据。样本数据包括居住区空间形态特征参数与居住区单位用地面积碳排放值。
在本实施例中,居住区空间形态特征参数包括容积率、建筑密度、平均层数、地块长宽比;其中,地块长宽比指居住区地块南北向长度与东西向长度的比值。例如同一地区中高层小区和多层小区在容积率、建筑排布上有很大的差异,因此造成了能耗的差异。通过居住区空间规划参数可以将不同类型小区分类,使居住区的空间特征碳排放量互相关联,针对同一地区不同开发类型的小区,均能够取得较为精确的预测结果。
在具体实施例中,居住区指根据控制性详细规划划分的用地性质为居住用地的单独地块,获取居住区内所有居住建筑的用水、用电和燃气排放数据、居住区容积率、建筑密度、平均层数以及地块的长宽比。
居住区单位用地面积碳排放值的计算如下:
其中,E为居住区单位用地面积碳排放量,Pi为统计一年居住区i种能源消耗量,Di为i种能源的二氧化然排放因子,S为居住区的用地面积。
步骤S20,根据空间形态特征参数样本数据建立初步预测模型。
在本实施例中,通过XGBoost算法创建模型,将样本数据集按照3:1的训练集和验证集比例随机划分,根据居住区空间形态特征参数建立得到初步预测模型。
步骤S30,根据初步预测模型表现,对初步预测模型进行参数优化。
在本实施例中,将步骤S20使用的样本数据集,使用k交叉验证设立 N=10,使用kf=StratifiedKFold()函数构建10折交叉验证数据集,将步骤 S20所得的初步预测模型用于新划分的数据集进行应用,输出10个模型评价结果,使用决定系数和均方误差两个参数作为评价模型的好坏结果。通过 tune_data函数对初步预测模型进行参数优化,获取决定系数和均方误差较好的模型设定参数。
在具体实施例中,步骤S30包括
步骤S301,将随机从样本数据集中抽取75%的样本作为训练集,抽取10 次构建10个随机数据集。
步骤S302,将10个随机数据集带入初步预测模型中,得到10个模型的决定系数和均方误差。
步骤S303,通过tune_data函数对初步预测模型进行参数优化,获得优化后模型的设定参数。
步骤S40,将步骤S30中经过优化所得的XGBoost模型参数用于建立最终预测模型,以利用所述模型进行居住区单位用地面积碳排放预测。将预测结果与居住区面积相乘,得到居住区用地碳排放总量。
在具体实施例中,步骤S40包括:
步骤S401,优化后参数重新建立XGBoost模型。
步骤S402,通过样本数据集重新训练预测模型。
步骤S403,将待测居住区的空间形态参数代入预测模型,获得待测居住区的预测单位用地面积碳排放量。
步骤S404,将预测单位用地面积碳排放量与待测居住区的用地面积相乘,得到待测居住区的预测碳排放总量。
本发明实施例提供的一种基于居住区空间特征的碳排放预测方法,根据居住去空间形态指标建立了居住单位用地面积碳排放预测模型,通过预测模型可以为规划中的居住小区、居住用地提供减碳建议,相较于传统线性回归预测模型、本模型具有更高的精度。本预测模型将规划居住小区空间形态指标输入预测模型,得出规划小区居住区的单位用地面积碳排放量,在未来城市规划中,通过模型预测可以比选确定最低碳的居住区规划形式,实现了居住区规划时控制碳排放量的目标。
作为可选的实施方式,步骤S20包括:
步骤S201,根据3:1的比例将样本数据集随机划分为测试集合训练集。
步骤S202,采用极端梯度提升算法,初步训练构建预测模型。
作为可选的实施方式,在步骤S20之前,还包括:
步骤S11,采用数据空值填充规则对样本数据进行预处理。
在本实施例中,数据空值填充规则为,单位用地面积碳排放数据如果为空值,首先用处于相同容积率、建筑密度和层数的居住区值填充,若无相同值,则采用该居住区周边居住区值的平均朱进行填充。因为周边小区具有相似性,因此用周边小区的特征参数均值对空值部分进行填充,能够提高预测结果的精度。
步骤S12,对样本数据的各个特征进行归一化处理。
在本实施例中,对样本数据的各个特征进行归一化处理通过以下公式计算:
其中,X为样本数据的特征值,Xmin为特征值的最小值,Xmax为特征值的最大值,Xstd为特征值的归一化结果。
对样本数据的各个特征进行归一化处理的作用是剔除不同数据间不同量纲的影响。
作为可选的实施方式,步骤S302包括:
步骤S3021,对新构建的10个随机数据集按照3:1的比例随机划分为训练集和测试集。
在本实施例中,构建XGBoost初步预测模型参数如下:
booster='gbtree',计算模型选用树模型,解决模型预测中非线性问题;
最大增量步长(max_delta_step)=0(取值范围为:[0,∞]),设置每棵树的权重最大增量步长为0表示没有约束;
最大深度(max_depth)=1(取值范围为:[1,∞])树的最大深度为1;
进行分支所需的损失减少的最小值(gamma)=0.3(取值范围为:[0,1])
学习率(learning_rate)=0.3(取值范围为:[0,1]);
树的最小样本数(min_child_weight)=4(取值范围为:[0,∞]),指节点中最小样本权重和,如果一个节点样本权重和小于4则拆分过程结束,在现行回归模型中,这个参数是指建立每个模型所需要的最小样本数。
步骤S3022,按照划定数据集进行测试,输出每个数据集额决定系数和均方误差。
作为可选的实施方式,步骤S303包括:
步骤S3031,通过tune_data函数对步骤S302的初步模型进行多次优化;
步骤S3032,选取均方误差和决定系数在10个数据集内平均效果最好(均方误差最小,决定系数最大)的模型参数作为最终优化的参数。
在本实施例中,优化后XGBoost预测模型参数如下:
booster='gbtree';最大增量步长(max_delta_step)=0.2;最大深度 (max_depth)=6;进行分支所需的损失减少的最小值(gamma)=0.1(取值范围为:[0,1]);学习率(learning_rate)=0.025(取值范围为:[0,1]);树的最小样本数(min_child_weight)=3。
作为可选的实施方式,步骤S402包括:
步骤S4021,将S3032所得最优参数带入构建新XGBoost模型;
步骤S4022,按预设次数重复训练
在本实施例中,重复训练次数设置为十次
步骤S4023,选取均方误差小于等于样本数据平均值10%的预测模型为最优预测模型。
在本实施例中,预测模型的计算过程如下:
获取每个预测模型的预测结果:
选取最优预测模型:
选取最优预测模型的过程即为优化预测模型的过程,通过误差函数以及正则项优化函数优化预测模型,使预测模型的结果误差缩小到10%以内。
计算训练集预测结果同测试集预测结果之间的均方误差(MSE),由于训练次数有限,因此设置了均方误差比样本数据平均值小于或等于10%的判断条件,从而选出最优预测模型。在具体实施例中,可以增加训练次数,同时降低均方误差的参考值,从而进一步提高模型的预测精度。
以四川省金堂县居住区碳排放数据作为研究对象,具体步骤如下:
步骤1:获取居住区碳排放数据、居住区用地面积数据、居住区空间形态特征数据。
步骤2:利用所述居住区碳排放数据、居住区用地面积数据将所述居住建筑燃气排放数据转化为居住区单位用地面积碳排放数据。
步骤3:将所述居住区单位用地面积碳排放数据、所述居住区空间形态特征进行预处理,得到样本数据集。
步骤4:通过XGBoost算法构建初步预测模型。
步骤5:根据步骤4所得到的初步预测模型,将步骤3所得数据集随机抽样划分,划分为10个新数据集。在应用XGBoost算法下tune_data函数对模型进行优化,在10个新数据集上验证优化结果,选取效果最好的优化参数。
步骤6:将步骤5选择出的模型优化参数,重新建立预测模型,用XGBoost 算法建立对所述居住区单位用地面积碳排放预测模型,以利用所述模型进行居住区单位用地面积碳排放预测。将预测结果与居住区用地面积相乘,得到居住区碳排放总量。
一个预测模型的结果拟合曲线如图2所示,实线y为实际结果,虚线 y_pred为预测结果。
模型参数根据数据样本结合tune_data函数进行自优化调整,本方法应用于其他数据时,应根据步骤6所述模型选择最优模型作为最终预测模型,其模型具体参数根据数据样本进行调整,即可应用于不同地区进行居住区碳排放量预测,并且预测拟合度较高,可靠性强。
上述居住建筑燃气碳排放量预测终端具体细节可以对应参阅图1和图2 所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
由上所述,本发明实施例提供的一种基于居住区空间特征的碳排放预测方法,根据居住区空间形态指标建立了居住单位用地面积碳排放预测模型,通过预测模型可以为规划中的居住小区、居住用地提供减碳建议,相较于传统线性回归预测模型、本模型具有更高的精度。本预测模型将规划居住小区空间形态指标输入预测模型,得出规划小区居住区的单位用地面积碳排放量,在未来城市规划中,通过模型预测可以比选确定最低碳的居住区规划形式,实现了居住区规划时控制碳排放量的目标。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于居住区空间形态的碳排放量预测方法,其特征在于,包括:
获取样本数据;所述样本数据包括居住区空间形态特征参数与居住区单位用地面积碳排放值;
根据空间形态特征参数建立初步预测模型;
根据模型结果对模型进行参数优化;
输出最终预测模型,获得预测结果。
2.根据权利要求1所述的基于居住区空间形态的碳排放量预测方法,其特征在于,所述居住区空间形态特征参数包括:容积率、建筑密度、平均层数、地块长宽比,同时获取居住区单位用地面积碳排放。
3.根据权利要求1所述的基于居住区空间形态的碳排放量预测方法,其特征在于,根据空间形态特征参数建立初步预测模型:
用极端梯度提升算法建立初步预测模型;
通过预测模型特征训练所述初步预测模型。
4.根据权利要求1所述的基于居住区空间形态的碳排放量预测方法,其特征在于,根据初步预测模型训练结果对模型进行参数优化包括:
对数据集按照3:1的比例随机划分10个训练集和测试集;
在划分的10个训练集和测试集进行模型重复训练;
通过tuned_data函数对10个模型进行参数优化以获得最佳结果。
6.根据权利要求4所述的基于居住区空间形态的碳排放量预测方法,其特征在于,根据所述最终预测模型,获得预测结果包括:
用优化极端梯度提升算法所得模型参数建立最终预测模型;
通过所述预测模型特征训练所述最终预测模型;
将待测居住区空间形态参数代入所述预测模型,获得所述待测居住区的预测单位用地面积碳排放量。
8.根据权利要求1所述的基于居住区空间形态的碳排放量预测方法,其特征在于,在根据空间形态特征参数建立初步预测模型之前,还包括:采用数据空值填充规则对所述样本数据进行预处理;
对所述样本数据的各个特征进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110718836.5A CN113610268A (zh) | 2021-06-28 | 2021-06-28 | 一种基于居住区空间形态的碳排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110718836.5A CN113610268A (zh) | 2021-06-28 | 2021-06-28 | 一种基于居住区空间形态的碳排放量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610268A true CN113610268A (zh) | 2021-11-05 |
Family
ID=78303780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110718836.5A Pending CN113610268A (zh) | 2021-06-28 | 2021-06-28 | 一种基于居住区空间形态的碳排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610268A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970968A (zh) * | 2022-04-26 | 2022-08-30 | 西华大学 | 一种基于碳达峰的数据处理系统 |
CN115293461A (zh) * | 2022-09-28 | 2022-11-04 | 四川中电启明星信息技术有限公司 | 建筑体供暖碳排放预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
CN111882033A (zh) * | 2020-07-15 | 2020-11-03 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
CN112329262A (zh) * | 2020-11-24 | 2021-02-05 | 天津大学城市规划设计研究院有限公司 | 一种居住建筑燃气碳排放量预测方法 |
-
2021
- 2021-06-28 CN CN202110718836.5A patent/CN113610268A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
CN111882033A (zh) * | 2020-07-15 | 2020-11-03 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
CN112329262A (zh) * | 2020-11-24 | 2021-02-05 | 天津大学城市规划设计研究院有限公司 | 一种居住建筑燃气碳排放量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970968A (zh) * | 2022-04-26 | 2022-08-30 | 西华大学 | 一种基于碳达峰的数据处理系统 |
CN115293461A (zh) * | 2022-09-28 | 2022-11-04 | 四川中电启明星信息技术有限公司 | 建筑体供暖碳排放预测方法及系统 |
CN115293461B (zh) * | 2022-09-28 | 2022-12-16 | 四川中电启明星信息技术有限公司 | 建筑体供暖碳排放预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112329262A (zh) | 一种居住建筑燃气碳排放量预测方法 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN110781947B (zh) | 用电负荷预测模型训练、用电负荷预测方法及装置 | |
CN112116153A (zh) | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
CN113610268A (zh) | 一种基于居住区空间形态的碳排放量预测方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN115270635B (zh) | 贝叶斯-神经网络高层建筑地震需求与易损性预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN115659807A (zh) | 一种基于贝叶斯优化模型融合算法对人才表现预测的方法 | |
AU2019100631A4 (en) | Self-correcting multi-model numerical rainfall ensemble forecasting method | |
CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN103793582A (zh) | 圆柱壳大开孔接管结构优化方法 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN115759291A (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN113393051B (zh) | 基于深度迁移学习的配电网投资决策方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |