CN114239928A - 碳排放的预测方法、装置、存储介质及处理器 - Google Patents
碳排放的预测方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN114239928A CN114239928A CN202111439349.1A CN202111439349A CN114239928A CN 114239928 A CN114239928 A CN 114239928A CN 202111439349 A CN202111439349 A CN 202111439349A CN 114239928 A CN114239928 A CN 114239928A
- Authority
- CN
- China
- Prior art keywords
- historical
- predicted
- population
- year
- model
- 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 111
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 119
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000010438 heat treatment Methods 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 33
- 238000005057 refrigeration Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000035558 fertility Effects 0.000 claims description 11
- 230000001617 migratory effect Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 description 13
- 238000005316 response function Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 231100000673 dose–response relationship Toxicity 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种碳排放的预测方法、装置、存储介质及处理器。其中,该方法包括:获取预定区域在预测年份的预测数据,其中,第一模型用于表示用电量与温度参数的关联关系,第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,第一模型为使用多组数据通过机器学习训练出的;使用第二模型对预测用电量、预测年份和预测生产总值进行分析,确定预测碳排放量,其中,第二模型用于表示碳排放量与用电量关联关系,第二模型的控制变量还包括:年份和生产总值,第二模型为使用多组数据通过机器学习训练出的。本发明解决了无法基于环境温度预测碳排放量的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种碳排放的预测方法、装置、存储介质及处理器。
背景技术
能源安全、气候变化和环境污染是我国可持续发展面临的三大挑战,发展实施节能减排技术是世界范围内的重要趋势和潮流。
目前,关于碳排放影响因素的研究非常广泛,涵盖了经济社会的多个方面。现有的碳排放预测研究主要聚焦在碳排放影响因素分析,国家、区域、省市等不同层面及不同行业的碳排放预测等多个方面。对于省级层面的碳排放预测,学者们采用了多种模型方法对于不同层面的碳排放开展研究,包括趋势外推法、Logistic模型、时间序列分析等传统统计学方法,系统动力学、投入产出模型、STIRPAT模型、情景分析等经典模型,灰色模型、神经网络、支持向量机以及组合模型等创新方法。
然而,以上方法均存在不同程度缺陷。传统的统计学方法往往默认历史和现在的发展变化规律完全一致,只注重数据的统计学规律而缺乏现实解释力;经典模型限制了对碳排放产生影响的途径只包含部分社会经济因素,会忽略气候变化对碳排放的直接影响;创新预测方法预测效果较好,但其往往采用暗箱模型,无法解释输入与输出变量间的关系,使得模型解释能力不强,且数据需求量高、模型初始化难度大。
针对上述无法基于环境温度预测碳排放量的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种碳排放的预测方法、装置、存储介质及处理器,以至少解决无法基于环境温度预测碳排放量的技术问题。
根据本发明实施例的一个方面,提供了一种碳排放的预测方法,包括:获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
可选地,获取预定区域在预测年份的预测温度参数包括:获取所述预定区域在历史年份的历史环境温度;根据所述历史环境温度确定所述预定区域的历史平均温度;根据所述历史平均温度确定所述历史温度参数,其中,所述历史温度参数包括:历史供热度数日和历史制冷度数日,所述历史供热度数日用于定量历史年份的供热需求,所述制冷度数日用于定量历史年份的制冷需求;根据所述历史供热度数日和所述历史制冷度数日,确定所述预测年份的预测温度参数。
可选地,获取预定区域在预测年份的预测人口参数包括:获取所述预定区域在历史年份的历史人口参数,其中,所述历史人口参数包括:人口状态和人口属性,所述人口状态包括:年龄、性别、教育水平,所述人口属性包括:初始人口、生育率、死亡率、迁移人口;基于所述人口状态确定人口分组,其中,基于所述人口状态中的一项作为分组依据得到多个所述人口分组,基于人口状态中的多项可以得到多种所述人口分组;根据所述人口属性确定每个所述人口分组在预测年份的预测人口数;基于多个同一种所述人口分组的预测人口数,确定每种所述人口分组在预测年份的预设人口数;根据多种所述人口分组在预测年份的预测人口数,确定所述预定区域在预测年份的预测人口参数。
可选地,获取预定区域在预测年份的预测城镇化率包括:获取所述预定区域的预测年份和预测城镇化水平饱和值;使用第三模型对所述预测年份和预测城镇化水平饱和值进行分析,确定预测城镇化率,其中,所述第三模型用于表示年份与城镇化率的关联关系,所述第三模型的控制变量还包括:城镇化水平饱和值,所述第三模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:历史年份,所述历史年份的历史城镇化率,和历史城镇化水平饱和值。
可选地,获取预定区域在预测年份的预测生产总值包括:获取所述预定区域的预测年份、预测产业劳动力人数和预测产业资本存量;使用第四模型对所述预测年份、预测产业劳动力人数和预测产业资本存量进行分析,确定预测生产总值,其中,所述第四模型用于表示年份与生产总值的关联关系,所述第四模型的控制变量还包括:产业劳动力人数和产业资本存量,所述第四模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:历史年份,所述历史年份的历史生产总值、历史预测产业劳动力人数和历史预测产业资本存量。
根据本发明实施例的另一个方面,还提供了一种碳排放的预测装置,包括:第一获取单元,用于获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;第一分析单元,用于使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;第二分析单元,用于使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
可选地,所述第一获取单元包括:第一获取模块,用于获取所述预定区域在历史年份的历史环境温度;第一确定模块,用于根据所述历史环境温度确定所述预定区域的历史平均温度;第二确定模块,用于根据所述历史平均温度确定所述历史温度参数,其中,所述历史温度参数包括:历史供热度数日和历史制冷度数日,所述历史供热度数日用于定量历史年份的供热需求,所述制冷度数日用于定量历史年份的制冷需求;第三确定模块,用于根据所述历史供热度数日和所述历史制冷度数日,确定所述预测年份的预测温度参数。
可选地,所述第一获取单元包括:第二获取模块,用于获取所述预定区域在历史年份的历史人口参数,其中,所述历史人口参数包括:人口状态和人口属性,所述人口状态包括:年龄、性别、教育水平,所述人口属性包括:初始人口、生育率、死亡率、迁移人口;第四确定模块,用于基于所述人口状态确定人口分组,其中,基于所述人口状态中的一项作为分组依据得到多个所述人口分组,基于人口状态中的多项可以得到多种所述人口分组;第五确定模块,用于根据所述人口属性确定每个所述人口分组在预测年份的预测人口数;第六确定模块,用于基于多个同一种所述人口分组的预测人口数,确定每种所述人口分组在预测年份的预设人口数;第七确定模块,用于根据多种所述人口分组在预测年份的预测人口数,确定所述预定区域在预测年份的预测人口参数。
根据本发明实施例的另一个方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述所述碳排放的预测方法。
根据本发明实施例的另一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述碳排放的预测方法。
在本发明实施例中,获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值,从而实现了确定预定区域在预测年份的用电量和碳排放量的技术效果,进而解决了无法基于环境温度预测碳排放量技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的碳排放的预测方法的流程图;
图2示出了本发明提供的一种长跨期碳排放预测方法的示意图;
图3是根据本发明实施例的一种碳排放的预测装置的示意图;
图4是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种碳排放的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的碳排放的预测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取预定区域在预测年份的预测数据,其中,预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;
步骤S104,使用第一模型对预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,第一模型用于表示用电量与温度参数的关联关系,第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;
步骤S106,使用第二模型对预测用电量、预测年份和预测生产总值进行分析,确定预测碳排放量,其中,第二模型用于表示碳排放量与用电量关联关系,第二模型的控制变量还包括:年份和生产总值,第二模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
通过上述步骤,获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值,从而实现了确定预定区域在预测年份的用电量和碳排放量的技术效果,进而解决了无法基于环境温度预测碳排放量技术问题。
可选地,预定区域可以是需要进行用电量预测和碳排放预测的地理区域。
可选地,温度参数为对环境温度进行预处理后的结果。以历史温度参数为例,需要对历史年份的历史环境温度;根据历史环境温度确定预定区域的历史平均温度;根据历史平均温度确定历史温度参数,其中,历史温度参数包括:历史供热度数日和历史制冷度数日,历史供热度数日用于定量历史年份的供热需求,制冷度数日用于定量历史年份的制冷需求。
可选地,第一模型为:温度—电力消费响应函数EC=βf(T)+γX+ε,得到预测模型所需关键参数;其中,EC为用电量,f(T)为温度函数,X为控制变量矩阵
可选地,将所述温度参数带入所述温度—电力消费响应函数,可得出如下自适应随机模型:其中,e代表电力消费量,TREND代表技术进步,CDD与HDD分别代表制冷度日数与取暖度日数,代表了除温度外的其余前述控制变量,ε为误差扰动项。
可选地,第二模型为:lnC=β1ln f(Energy)+β2ln f(Time)+β3ln f(GDP)+ε,其中,C代表预定区域的碳排放量,Energy代表预定区域年度电力消费量(即用电量),Time代表年份,GDP代表预定区域的生产总值,f(·)表示括号内变量采用高阶切比雪夫多项式形式,ε代表随机扰动项。
可选地,在训练第一模型之前,该方法还包括:将收集的历史数据转化为T×n矩阵格式的数据集HDATA,其中,历史数据包括:历史年份、历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;所述T为历史记录条数即历史时间,N为预定区域GDP(即历史生产总值)、历史温度参数、城镇化率历史城镇化率、第二产业产值占GDP比重回归变量集合。
作为一种可选的实施例,获取预定区域在预测年份的预测温度参数包括:获取预定区域在历史年份的历史环境温度;根据历史环境温度确定预定区域的历史平均温度;根据历史平均温度确定历史温度参数,其中,历史温度参数包括:历史供热度数日和历史制冷度数日,历史供热度数日用于定量历史年份的供热需求,制冷度数日用于定量历史年份的制冷需求;根据历史供热度数日和历史制冷度数日,确定预测年份的预测温度参数。
本发明上述实施例,基于预设区域辐射强迫历史水平推测未来变化情况,并基于未来辐射强迫水平预测地区平均温度T并进一步得到地区供热度数日(HDD)和制冷度数日(CDD)。
作为一种可选的实施例,获取预定区域在预测年份的预测人口参数包括:获取预定区域在历史年份的历史人口参数,其中,历史人口参数包括:人口状态和人口属性,人口状态包括:年龄、性别、教育水平,人口属性包括:初始人口、生育率、死亡率、迁移人口;基于人口状态确定人口分组,其中,基于人口状态中的一项作为分组依据得到多个人口分组,基于人口状态中的多项可以得到多种人口分组;根据人口属性确定每个人口分组在预测年份的预测人口数;基于多个同一种人口分组的预测人口数,确定每种人口分组在预测年份的预设人口数;根据多种人口分组在预测年份的预测人口数,确定预定区域在预测年份的预测人口参数。
本发明上述实施例,采用多状态人口-发展-环境分析(PDE)模型。通过给定不同年龄、性别、教育水平等“状态”下的初始人口、生育率、死亡率、迁移人口,运行人口预估模型,预估人口数量。其中,人口增长由自然增长和机械增长两部分组成。自然增长为出生人口与死亡人口之间的差值;机械增长主要指净迁移人口。对不同“状态”下的每一年龄组的人口,当前年龄组人口数减去某一预估时间段内死亡人口,再加上净迁移人口,即为所预估年份下这一年龄组人口数。PDE模型公式简明,便于计算,同时不同“状态”间可以相互转换,能够同时对不同性别、年龄的预定区域人口进行预估。
作为一种可选的实施例,获取预定区域在预测年份的预测城镇化率包括:获取预定区域的预测年份和预测城镇化水平饱和值;使用第三模型对预测年份和预测城镇化水平饱和值进行分析,确定预测城镇化率,其中,第三模型用于表示年份与城镇化率的关联关系,第三模型的控制变量还包括:城镇化水平饱和值,第三模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史城镇化率,和历史城镇化水平饱和值。
本发明上述实施例,采用Logistic模型进行预测,模型的数学表达式可以表述为式中Y为城镇化率;t为年份;Z为城镇化水平饱和值,在此处Z=1;a、b均为参数,通过对预定区域的历史城镇化率数据拟合获得。
作为一种可选的实施例,获取预定区域在预测年份的预测生产总值包括:获取预定区域的预测年份、预测产业劳动力人数和预测产业资本存量;使用第四模型对预测年份、预测产业劳动力人数和预测产业资本存量进行分析,确定预测生产总值,其中,第四模型用于表示年份与生产总值的关联关系,第四模型的控制变量还包括:产业劳动力人数和产业资本存量,第四模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史生产总值、历史预测产业劳动力人数和历史预测产业资本存量。
本发明上述实施例,基于Cobb-Douglas经济预测模型对预定区域分产业GDP进行预测,进而得到GDP及第二产业占比预测数据,模型表达式如下:Y(t)=K(t)αL(t)1-αeλt,其中,Y(t)为t年预定区域分产业GDP,L为预定区域分产业劳动力人数,K为预定区域分产业资本存量,t为年份,α与λ为待估计参数。通过输入以上自变量、因变量的历史数据,通过拟合回归可得以上待估计参数,进而得到预定区域分产业GDP与年份t之间的关系。默认其他变量不变,代入未来年份可得预定区域未来分产业GDP,进而可得未来预定区域第二产业占比以及未来预定区域GDP。
本发明还提供了一种优选实施例,该优选实施例提供了一种长跨期的碳排放预测方法。
本发明的目的在于,提供一种长跨期碳排放预测方法,解决目前预测方法中存在的只考虑社会经济因素而忽视气候变化影响、模型解释力不强等问题。
图2示出了本发明提供的一种长跨期碳排放预测方法的示意图,如图2所示,一种跨期碳排放预测方法,所述方法包括下述步骤:
A、构建预定区域非线性温度—电力消费响应函数(即第一模型),对数据进行预处理后代入模型得到关键参数数值;
B、基于不同的预测模型,对预定区域的GDP、温度、城镇化率、第二产业占比进行预测;
C、将前述预测数据代入温度—电力消费响应函数(即第一模型)得到电力消费预测数据,进一步利用碳排放-电力-经济关联模型(及第二模型),对预定区域未来碳排放路径进行预测。
可选地,针对上述步骤A,在不同的国家与地区中,温度与电力需求之间往往呈不对称U型曲线关系。本发明据此建立预定区域电力消费影响机制理论模型,在梳理出可能对预定区域电力消费产生影响的气候变化及社会经济因素后,进一步进行计量回归,从而得到地区温度—电力消费剂量响应函数,为进一步预测电力消费及碳排放量提供重要依据。
可选地,上述步骤A具体包括步骤如下:
A1、将收集的历史数据转化为T×n矩阵格式的数据集HDATA;所述T为历史记录条数即时间,N为预定区域GDP、温度、城镇化率、第二产业产值占GDP比重回归变量集合。
可选地,通过调研确定模型变量池。除了气温变化对电力消费的影响外,往往还会考虑人口、GDP、第二产业占比以及城镇化率的因素。确定模型变量池后,对预定区域历史数据进行收集。
A3、将变量代入温度—电力消费响应函数EC=βf(T)+γX+ε,得到预测模型所需关键参数;式中EC为电力消费,f(T)为温度函数,X为控制变量矩阵。
可选地,在将温度形式确定为度日数时,可得出如下自适应随机模型:
可选地,针对上述步骤B,分别对预定区域的温度、城镇化率、GDP、第二产业占比采用多状态人口-发展-环境分析(PDE)模型、Logistic模型、柯布道格拉斯经济预测模型进行预测。
可选地,上述步骤B具体包括步骤如下:
B1、对于预定区域未来气候变化预测:通过给定预定区域未来辐射强迫水平预测预定区域平均温度T并进一步得到预定区域供热度数日(HDD)和制冷度数日(CDD)。
B2、对于预定区域未来人口变化预测:采用多状态人口-发展-环境分析(PDE)模型,通过给定不同年龄、性别、教育水平等“状态”下的初始人口、生育率、死亡率、迁移人口,运行人口预估模型,预估人口数量。
可选地,采用多状态人口-发展-环境分析(PDE)模型。通过给定不同年龄、性别、教育水平等“状态”下的初始人口、生育率、死亡率、迁移人口,运行人口预估模型,预估人口数量。其中,人口增长由自然增长和机械增长两部分组成。自然增长为出生人口与死亡人口之间的差值;机械增长主要指净迁移人口。对不同“状态”下的每一年龄组的人口,当前年龄组人口数减去某一预估时间段内死亡人口,再加上净迁移人口,即为所预估年份下这一年龄组人口数。PDE模型公式简明,便于计算,同时不同“状态”间可以相互转换,能够同时对不同性别、年龄的预定区域人口进行预估。
B4、对于预定区域未来产业及经济发展水平预测:基于Cobb-Douglas经济预测模型对地区分产业GDP进行预测,进而得到GDP及第二产业占比预测数据。
可选地,基于Cobb-Douglas经济预测模型对预定区域分产业GDP进行预测,进而得到GDP及第二产业占比预测数据,模型表达式如下:Y(t)=K(t)αL(t)1-αeλt;其中,Y(t)为t年预定区域分产业GDP,L为预定区域分产业劳动力人数,K为预定区域分产业资本存量,t为年份,α与λ为待估计参数。通过输入以上自变量、因变量的历史数据,通过拟合回归可得以上待估计参数,进而得到预定区域分产业GDP与年份t之间的关系。默认其他变量不变,代入未来年份可得预定区域未来分产业GDP,进而可得未来预定区域第二产业占比以及未来预定区域GDP。
可选地,针对上述步骤C,将前述预测数据代入温度—电力消费响应函数得到电力消费预测数据,进一步利用碳排放-电力-经济关联模型,对预定区域未来碳排放路径进行预测。
可选地,上述步骤C具体包括步骤如下:
C1、将上述预测数据代入A中测算的温度—电力消费响应函数(即第一模型),得到不同预定区域电力消费水平预测值;
C2、利用碳排放-电力-经济关联模型(即第二模型),对预定区域未来碳排放路径进行预测。基本模型如下:lnC=β1ln f(Energy)+β2ln f(Time)+β3ln f(GDP)+ε,其中,C代表预定区域的碳排放量,Energy代表预定区域年度电力消费量(即用电量),Time代表年份,GDP代表预定区域生产总值,f(·)表示括号内变量采用高阶切比雪夫多项式形式,ε代表随机扰动项。
本发明上述实施例,先运用历史数据对上述模型进行回归得到参数值,再代入预测数据得到未来预定区域的碳排放量。
经过上述三个步骤的训练学习之后,形成预定区域长跨期碳排放预测方法,从而实现对预定区域碳排放路径的长期预测。
本发明提供的技术方案,对于预定区域的长跨期省级碳排放预测方法,利用非线性回归模型预测碳排放路径的思路是,首先确定最有可能对电力消费产生影响的关键变量,进而测算温度—电力消费剂量响应函数,并得到未来40年内各影响因素的演变路径并进一步得到电力消费预测结果,最后依据碳排放-电力-经济关联模型对地区碳排放路径进行预测。这一预测方法同时兼顾了经济、社会、气候的综合因素对北京市碳排放长期趋势进行预测,模型更全面,解释力更强;采用的预测模型将社会经济因素和气候因素同时考虑在内,解决了传统模型开发过程耗时长,模型对社会经济不同情景解释能力弱的问题。
根据本发明实施例,还提供了一种碳排放的预测装置实施例,需要说明的是,该碳排放的预测装置可以用于执行本发明实施例中的碳排放的预测方法,本发明实施例中的碳排放的预测方法可以在该碳排放的预测装置中执行。
图3是根据本发明实施例的一种碳排放的预测装置的示意图,如图3所示,该装置可以包括:第一获取单元32,用于获取预定区域在预测年份的预测数据,其中,预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;第一分析单元34,用于使用第一模型对预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,第一模型用于表示用电量与温度参数的关联关系,第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;第二分析单元36,用于使用第二模型对预测用电量、预测年份和预测生产总值进行分析,确定预测碳排放量,其中,第二模型用于表示碳排放量与用电量关联关系,第二模型的控制变量还包括:年份和生产总值,第二模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
需要说明的是,该实施例中的第一获取单元32可以用于执行本申请实施例中的步骤S102,该实施例中的第一分析单元34可以用于执行本申请实施例中的步骤S104,该实施例中的第二分析单元36可以用于执行本申请实施例中的步骤S106。上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。
在本发明实施例中,获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值,从而实现了确定预定区域在预测年份的用电量和碳排放量的技术效果,进而解决了无法基于环境温度预测碳排放量技术问题。
作为一种可选的实施例,第一获取单元包括:第一获取模块,用于获取预定区域在历史年份的历史环境温度;第一确定模块,用于根据历史环境温度确定预定区域的历史平均温度;第二确定模块,用于根据历史平均温度确定历史温度参数,其中,历史温度参数包括:历史供热度数日和历史制冷度数日,历史供热度数日用于定量历史年份的供热需求,制冷度数日用于定量历史年份的制冷需求;第三确定模块,用于根据历史供热度数日和历史制冷度数日,确定预测年份的预测温度参数。
作为一种可选的实施例,第一获取单元包括:第二获取模块,用于获取预定区域在历史年份的历史人口参数,其中,历史人口参数包括:人口状态和人口属性,人口状态包括:年龄、性别、教育水平,人口属性包括:初始人口、生育率、死亡率、迁移人口;第四确定模块,用于基于人口状态确定人口分组,其中,基于人口状态中的一项作为分组依据得到多个人口分组,基于人口状态中的多项可以得到多种人口分组;第五确定模块,用于根据人口属性确定每个人口分组在预测年份的预测人口数;第六确定模块,用于基于多个同一种人口分组的预测人口数,确定每种人口分组在预测年份的预设人口数;第七确定模块,用于根据多种人口分组在预测年份的预测人口数,确定预定区域在预测年份的预测人口参数。
作为一种可选的实施例,第一获取单元包括:第三获取模块,用于获取预定区域的预测年份和预测城镇化水平饱和值;第一分析模块,用于使用第三模型对预测年份和预测城镇化水平饱和值进行分析,确定预测城镇化率,其中,第三模型用于表示年份与城镇化率的关联关系,第三模型的控制变量还包括:城镇化水平饱和值,第三模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史城镇化率,和历史城镇化水平饱和值。
作为一种可选的实施例,第一获取单元包括:第四获取模块,用于获取预定区域的预测年份、预测产业劳动力人数和预测产业资本存量;第二分析模块,用于使用第四模型对预测年份、预测产业劳动力人数和预测产业资本存量进行分析,确定预测生产总值,其中,第四模型用于表示年份与生产总值的关联关系,第四模型的控制变量还包括:产业劳动力人数和产业资本存量,第四模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史生产总值、历史预测产业劳动力人数和历史预测产业资本存量。
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。在本实施例中,上述计算机终端可以执行应用程序的漏洞检测方法中以下步骤的程序代码:获取预定区域在预测年份的预测数据,其中,预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,第一模型用于表示用电量与温度参数的关联关系,第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对预测用电量、预测年份和预测生产总值进行分析,确定预测碳排放量,其中,第二模型用于表示碳排放量与用电量关联关系,第二模型的控制变量还包括:年份和生产总值,第二模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
可选地,图4是根据本发明实施例的一种计算机终端的结构框图。如图4所示,该计算机终端40可以包括:一个或多个(图中仅示出一个)处理器42和存储器44。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的安全漏洞检测方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的系统漏洞攻击的检测方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端40。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取预定区域在预测年份的预测数据,其中,预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,第一模型用于表示用电量与温度参数的关联关系,第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对预测用电量、预测年份和预测生产总值进行分析,确定预测碳排放量,其中,第二模型用于表示碳排放量与用电量关联关系,第二模型的控制变量还包括:年份和生产总值,第二模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
可选的,上述处理器还可以执行如下步骤的程序代码:(获取预定区域在历史年份的历史环境温度;根据历史环境温度确定预定区域的历史平均温度;根据历史平均温度确定历史温度参数,其中,历史温度参数包括:历史供热度数日和历史制冷度数日,历史供热度数日用于定量历史年份的供热需求,制冷度数日用于定量历史年份的制冷需求;根据历史供热度数日和历史制冷度数日,确定预测年份的预测温度参数。
可选的,上述处理器还可以执行如下步骤的程序代码:(获取预定区域在历史年份的历史人口参数,其中,历史人口参数包括:人口状态和人口属性,人口状态包括:年龄、性别、教育水平,人口属性包括:初始人口、生育率、死亡率、迁移人口;基于人口状态确定人口分组,其中,基于人口状态中的一项作为分组依据得到多个人口分组,基于人口状态中的多项可以得到多种人口分组;根据人口属性确定每个人口分组在预测年份的预测人口数;基于多个同一种人口分组的预测人口数,确定每种人口分组在预测年份的预设人口数;根据多种人口分组在预测年份的预测人口数,确定预定区域在预测年份的预测人口参数。
可选的,上述处理器还可以执行如下步骤的程序代码:(获取预定区域的预测年份和预测城镇化水平饱和值;使用第三模型对预测年份和预测城镇化水平饱和值进行分析,确定预测城镇化率,其中,第三模型用于表示年份与城镇化率的关联关系,第三模型的控制变量还包括:城镇化水平饱和值,第三模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史城镇化率,和历史城镇化水平饱和值。
可选的,上述处理器还可以执行如下步骤的程序代码:(获取预定区域的预测年份、预测产业劳动力人数和预测产业资本存量;使用第四模型对预测年份、预测产业劳动力人数和预测产业资本存量进行分析,确定预测生产总值,其中,第四模型用于表示年份与生产总值的关联关系,第四模型的控制变量还包括:产业劳动力人数和产业资本存量,第四模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史生产总值、历史预测产业劳动力人数和历史预测产业资本存量。
采用本发明实施例,提供了一种碳排放的预测方案。获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值,从而实现了确定预定区域在预测年份的用电量和碳排放量的技术效果,进而解决了无法基于环境温度预测碳排放量技术问题。
本领域普通技术人员可以理解,图所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如,计算机终端4还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例所提供的碳排放的预测方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预定区域在预测年份的预测数据,其中,预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;使用第一模型对预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,第一模型用于表示用电量与温度参数的关联关系,第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;使用第二模型对预测用电量、预测年份和预测生产总值进行分析,确定预测碳排放量,其中,第二模型用于表示碳排放量与用电量关联关系,第二模型的控制变量还包括:年份和生产总值,第二模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预定区域在历史年份的历史环境温度;根据历史环境温度确定预定区域的历史平均温度;根据历史平均温度确定历史温度参数,其中,历史温度参数包括:历史供热度数日和历史制冷度数日,历史供热度数日用于定量历史年份的供热需求,制冷度数日用于定量历史年份的制冷需求;根据历史供热度数日和历史制冷度数日,确定预测年份的预测温度参数。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预定区域在历史年份的历史人口参数,其中,历史人口参数包括:人口状态和人口属性,人口状态包括:年龄、性别、教育水平,人口属性包括:初始人口、生育率、死亡率、迁移人口;基于人口状态确定人口分组,其中,基于人口状态中的一项作为分组依据得到多个人口分组,基于人口状态中的多项可以得到多种人口分组;根据人口属性确定每个人口分组在预测年份的预测人口数;基于多个同一种人口分组的预测人口数,确定每种人口分组在预测年份的预设人口数;根据多种人口分组在预测年份的预测人口数,确定预定区域在预测年份的预测人口参数。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预定区域的预测年份和预测城镇化水平饱和值;使用第三模型对预测年份和预测城镇化水平饱和值进行分析,确定预测城镇化率,其中,第三模型用于表示年份与城镇化率的关联关系,第三模型的控制变量还包括:城镇化水平饱和值,第三模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史城镇化率,和历史城镇化水平饱和值。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预定区域的预测年份、预测产业劳动力人数和预测产业资本存量;使用第四模型对预测年份、预测产业劳动力人数和预测产业资本存量进行分析,确定预测生产总值,其中,第四模型用于表示年份与生产总值的关联关系,第四模型的控制变量还包括:产业劳动力人数和产业资本存量,第四模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:历史年份,历史年份的历史生产总值、历史预测产业劳动力人数和历史预测产业资本存量。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种碳排放的预测方法,其特征在于,包括:
获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;
使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;
使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
2.根据权利要求1所述的方法,其特征在于,获取预定区域在预测年份的预测温度参数包括:
获取所述预定区域在历史年份的历史环境温度;
根据所述历史环境温度确定所述预定区域的历史平均温度;
根据所述历史平均温度确定所述历史温度参数,其中,所述历史温度参数包括:历史供热度数日和历史制冷度数日,所述历史供热度数日用于定量历史年份的供热需求,所述制冷度数日用于定量历史年份的制冷需求;
根据所述历史供热度数日和所述历史制冷度数日,确定所述预测年份的预测温度参数。
3.根据权利要求1所述的方法,其特征在于,获取预定区域在预测年份的预测人口参数包括:
获取所述预定区域在历史年份的历史人口参数,其中,所述历史人口参数包括:人口状态和人口属性,所述人口状态包括:年龄、性别、教育水平,所述人口属性包括:初始人口、生育率、死亡率、迁移人口;
基于所述人口状态确定人口分组,其中,基于所述人口状态中的一项作为分组依据得到多个所述人口分组,基于人口状态中的多项可以得到多种所述人口分组;
根据所述人口属性确定每个所述人口分组在预测年份的预测人口数;
基于多个同一种所述人口分组的预测人口数,确定每种所述人口分组在预测年份的预设人口数;
根据多种所述人口分组在预测年份的预测人口数,确定所述预定区域在预测年份的预测人口参数。
4.根据权利要求1所述的方法,其特征在于,获取预定区域在预测年份的预测城镇化率包括:
获取所述预定区域的预测年份和预测城镇化水平饱和值;
使用第三模型对所述预测年份和预测城镇化水平饱和值进行分析,确定预测城镇化率,其中,所述第三模型用于表示年份与城镇化率的关联关系,所述第三模型的控制变量还包括:城镇化水平饱和值,所述第三模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:历史年份,所述历史年份的历史城镇化率,和历史城镇化水平饱和值。
5.根据权利要求1所述的方法,其特征在于,获取预定区域在预测年份的预测生产总值包括:
获取所述预定区域的预测年份、预测产业劳动力人数和预测产业资本存量;
使用第四模型对所述预测年份、预测产业劳动力人数和预测产业资本存量进行分析,确定预测生产总值,其中,所述第四模型用于表示年份与生产总值的关联关系,所述第四模型的控制变量还包括:产业劳动力人数和产业资本存量,所述第四模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:历史年份,所述历史年份的历史生产总值、历史预测产业劳动力人数和历史预测产业资本存量。
6.一种碳排放的预测装置,其特征在于,包括:
第一获取单元,用于获取预定区域在预测年份的预测数据,其中,所述预测数据至少包括:预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比;
第一分析单元,用于使用第一模型对所述预测温度参数、预测人口参数、预测城镇化率、预测生产总值和预测第二产业占比进行分析,确定预测用电量,其中,所述第一模型用于表示用电量与温度参数的关联关系,所述第一模型的控制变量还包括:人口参数、城镇化率、生产总值和第二产业占比,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史用电量、历史温度参数、历史人口参数、历史生产总值、历史城镇化率和历史第二产业占比;
第二分析单元,用于使用第二模型对所述预测用电量、所述预测年份和所述预测生产总值进行分析,确定预测碳排放量,其中,所述第二模型用于表示碳排放量与用电量关联关系,所述第二模型的控制变量还包括:年份和生产总值,所述第二模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:同一历史年份的历史碳排放量、历史用电量、历史年份和历史生产总值。
7.根据权利要求6所述的装置,其特征在于,所述第一获取单元包括:
第一获取模块,用于获取所述预定区域在历史年份的历史环境温度;
第一确定模块,用于根据所述历史环境温度确定所述预定区域的历史平均温度;
第二确定模块,用于根据所述历史平均温度确定所述历史温度参数,其中,所述历史温度参数包括:历史供热度数日和历史制冷度数日,所述历史供热度数日用于定量历史年份的供热需求,所述制冷度数日用于定量历史年份的制冷需求;
第三确定模块,用于根据所述历史供热度数日和所述历史制冷度数日,确定所述预测年份的预测温度参数。
8.根据权利要求6所述的装置,其特征在于,所述第一获取单元包括:
第二获取模块,用于获取所述预定区域在历史年份的历史人口参数,其中,所述历史人口参数包括:人口状态和人口属性,所述人口状态包括:年龄、性别、教育水平,所述人口属性包括:初始人口、生育率、死亡率、迁移人口;
第四确定模块,用于基于所述人口状态确定人口分组,其中,基于所述人口状态中的一项作为分组依据得到多个所述人口分组,基于人口状态中的多项可以得到多种所述人口分组;
第五确定模块,用于根据所述人口属性确定每个所述人口分组在预测年份的预测人口数;
第六确定模块,用于基于多个同一种所述人口分组的预测人口数,确定每种所述人口分组在预测年份的预设人口数;
第七确定模块,用于根据多种所述人口分组在预测年份的预测人口数,确定所述预定区域在预测年份的预测人口参数。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述碳排放的预测方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述碳排放的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439349.1A CN114239928A (zh) | 2021-11-29 | 2021-11-29 | 碳排放的预测方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439349.1A CN114239928A (zh) | 2021-11-29 | 2021-11-29 | 碳排放的预测方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239928A true CN114239928A (zh) | 2022-03-25 |
Family
ID=80752201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111439349.1A Pending CN114239928A (zh) | 2021-11-29 | 2021-11-29 | 碳排放的预测方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239928A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496286A (zh) * | 2022-09-26 | 2022-12-20 | 重庆德宜高大数据科技有限公司 | 基于大数据环境下神经网络碳排放预测方法及应用 |
CN115689396A (zh) * | 2022-12-30 | 2023-02-03 | 天津友美环保科技有限公司 | 污染物排放管控方法、装置、设备及介质 |
CN115952700A (zh) * | 2023-03-15 | 2023-04-11 | 江西飞尚科技有限公司 | 一种温度关联数据补偿方法、系统、计算机及存储介质 |
CN117151272A (zh) * | 2023-07-05 | 2023-12-01 | 北京机科国创轻量化科学研究院有限公司 | 一种基于机器学习的碳核查电力排放因子预测方法 |
CN117273276A (zh) * | 2023-10-10 | 2023-12-22 | 南方电网能源发展研究院有限责任公司 | 基于电力数据的碳排放监测方法和装置 |
-
2021
- 2021-11-29 CN CN202111439349.1A patent/CN114239928A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496286A (zh) * | 2022-09-26 | 2022-12-20 | 重庆德宜高大数据科技有限公司 | 基于大数据环境下神经网络碳排放预测方法及应用 |
CN115689396A (zh) * | 2022-12-30 | 2023-02-03 | 天津友美环保科技有限公司 | 污染物排放管控方法、装置、设备及介质 |
CN115689396B (zh) * | 2022-12-30 | 2023-08-08 | 天津友美环保科技有限公司 | 污染物排放管控方法、装置、设备及介质 |
CN115952700A (zh) * | 2023-03-15 | 2023-04-11 | 江西飞尚科技有限公司 | 一种温度关联数据补偿方法、系统、计算机及存储介质 |
CN117151272A (zh) * | 2023-07-05 | 2023-12-01 | 北京机科国创轻量化科学研究院有限公司 | 一种基于机器学习的碳核查电力排放因子预测方法 |
CN117273276A (zh) * | 2023-10-10 | 2023-12-22 | 南方电网能源发展研究院有限责任公司 | 基于电力数据的碳排放监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114239928A (zh) | 碳排放的预测方法、装置、存储介质及处理器 | |
Xie et al. | Relative humidity for load forecasting models | |
Chan et al. | Climate change and recreation: Evidence from North American cycling | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Macedo et al. | Typification of load curves for DSM in Brazil for a smart grid environment | |
Yuan et al. | Urban household water demand in Beijing by 2020: an agent-based model | |
WO2021137759A1 (en) | Method and apparatus for predicting power consumption, device and readiable storage medium | |
CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
CN114860833A (zh) | 应用于数字孪生水利工程的数据中台和数据处理方法 | |
CN112614011A (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
Tan et al. | A neural network approach for predicting manufacturing performance using knowledge management metrics | |
Huber | Inter-regional mobility in Europe: a note on the cross-country evidence | |
Lin et al. | The implications of serial correlation and time-lag effects for the impact study of climate change on vegetation dynamics–a case study with Hulunber meadow steppe, Inner Mongolia | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
US20220164608A1 (en) | Methods and systems for obtaining user evulation used in natural gas energy measurement | |
Geissmann et al. | Knowledge economy and industry performance in China: a provincial level analysis | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
Mahmoud et al. | Quantitative assessment of energy conservation due to public awareness campaigns using neural networks | |
Bhattacharjee et al. | Identification of elements to control and regulate residential energy consumption | |
Cao et al. | Conditional density forecast of China’s energy demand via QRNN model | |
Bamiatzi et al. | On the predictability of firm performance via simple time-series and econometric models: Evidence from UK SMEs | |
CN117634217B (zh) | 基于数字孪生的建筑物智能化管理系统及方法 |
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 |