CN114240005A - 基于多维参考量和时间序列的碳排放预测方法及装置 - Google Patents
基于多维参考量和时间序列的碳排放预测方法及装置 Download PDFInfo
- Publication number
- CN114240005A CN114240005A CN202210172491.2A CN202210172491A CN114240005A CN 114240005 A CN114240005 A CN 114240005A CN 202210172491 A CN202210172491 A CN 202210172491A CN 114240005 A CN114240005 A CN 114240005A
- Authority
- CN
- China
- Prior art keywords
- value
- carbon emission
- data
- economic
- weight value
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 286
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000000126 substance Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 description 44
- 238000011161 development Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 235000006732 Torreya nucifera Nutrition 0.000 description 1
- 244000111306 Torreya nucifera Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多维参考量和时间序列的碳排放预测方法及装置,包括:基于预设时间段内每个先前时间点的碳排放数据计算,得到第一基础碳排放预测值;基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势,得到第二经济权重值和第二工业权重值;对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算,得到第二基础碳排放预测值;基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算,得到预测地的偏移区间;提取预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测,得到每个未来时间点所对应的碳排放区间数据。
Description
技术领域
本发明涉及碳排放技术领域,尤其涉及一种基于多维参考量和时间序列的碳排放预测方法及装置。
背景技术
综合现有的文献,碳排放量的预测有以GDP、工业增加值和能源活动对碳排放的影响来对碳排放进行分析和预测,例如常用的经典模型有 Kaya 恒等式 、MERGE 模型 和IPAC模型等;也有通过数据分析方法构建模型对碳排放量进行预测的,常见的模型有多元神经网络、DDEPM模型和GM(1,1)模型等,这些模型或方法均可为碳排放量的测算与预测提供有效的理论分析与可行验证。
现有技术所存在的问题:
(1)、现有预测模型对碳排放量预测多依托于经济和工业方面的数据对碳排放进行评估预测,会存在参考数据不够完善、预测精度不高等问题,导致该问题的原因是预测模型的碳排放量参考维度较少。
(2)、现如今对于碳排放量的数据预测多针对全国甚至是全球范围内的,针对地区的碳排放量的预测较少,并且对于地区碳排放量预测时,针对该地区的相关能源结构和能源消耗政策分析较少,因此对省级碳排放量的预测准确度不足,针对地区的碳排放量的预测较少。
(3)并且,在进行碳排放的预测时,都只是对一个未来时间点进行预测,无法对多个连续的时间点进行预测,导致在碳排放预测时的周期性较差,局限性较多。
综合以上的问题,亟需一种参考维度多,预测时间跨度大的碳排放预测方法。
发明内容
本发明实施例提供一种基于多维参考量和时间序列的碳排放预测方法及装置,能够在进行碳排放预测时参考更多维度的数据,提高了碳排放预测的准确性,并且确定参考量时,可以获取某一个地区的参考量,使得所预测的碳排放量可以是针对某一个地区,本发明在预测时可以对未来多个时间点进行连续预测,进而得到具有时间序列的碳排放数据,使得碳排放预测时的周期性较好,预测时间跨度大。
本发明实施例的第一方面,提供一种基于多维参考量和时间序列的碳排放预测方法,包括:
获取预设时间段内每个先前时间点的参考量值,所述参考量值包括碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据;
基于预设时间段内每个先前时间点的碳排放数据计算,得到第一基础碳排放预测值,所述第一基础碳排放预测值为当前时刻的碳排放初始预测值;
基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势,得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据,对所述第一经济权重值和第一工业权重值进行处理,得到第二经济权重值和第二工业权重值;
对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算,得到第二基础碳排放预测值,所述第二基础碳排放预测值为当前时刻的碳排放二次预测值;
基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算,得到预测地的偏移区间;
接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测,得到每个未来时间点所对应的碳排放区间数据。
可选地,在第一方面的一种可能实现方式中,在基于预设时间段内每个先前时间点的碳排放数据计算得到第一基础碳排放预测值的过程中,包括以下内容:
获取预设时间段内与当前时刻最接近的先前时间点的碳排放数据作为基准碳排放值;
通过以下公式计算第一基础碳排放预测值,
可选地,在第一方面的一种可能实现方式中,在基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值的过程中,包括以下内容:
获取预设时间段内先前时间点的经济数据、预设时间段内先前时间点的工业数据;
通过以下公式得到第一经济权重值和第一工业权重值,
其中,为第一经济权重值,为经济常数值,为第个先
前时间点的经济数据,为第个先前时间点的经济数据,为计算经济权重值时
所对应的先前时间点的上限值,为第一工业权重值,为工业常数值,为第个先前时间点的经济数据,为第个先前时间点的经济数据,为计算工业
权重时所对应的先前时间点的上限值,为计算第一经济权重值时的先前时间点的数量
值,为计算第一工业权重值时的先前时间点的数量值。
可选地,在第一方面的一种可能实现方式中,在基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值的过程中,还包括以下内容:
获取预设时间段内所有先前时间点的人口流动数量,得到预设时间段内的总人口流动数量;
若所述总人口流动数量大于等于0,则确定第一人口影响值;
若所述总人口流动数量小于0,则确定第二人口影响值;
将所述预测地特性数据与预设地特性数据比对得到属性权重值,每种特性数据具有对应的预设地特性数据,每个预设地特性数据具有预先对应的属性权重值;
通过以下公式对所述第一经济权重值和第一工业权重值进行处理,
可选地,在第一方面的一种可能实现方式中,在对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算得到第二基础碳排放预测值的过程中,包括以下内容:
通过以下公式计算得到第二基础碳排放预测值,
其中,为第二基础碳排放预测值,为第一标准经济值,为第一标准
工业值。在权2中,并没有被权5间接引用到可选地,在第一方面的一种可能实现方式中,在
基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算得到预测地的偏移区
间的过程中,包括以下内容:
接收用户输入的基础调整值,基于所述基础调整值、第二经济权重值、第二工业权重值以及预测地特性数据得到第一区间值和第二区间值;
通过以下公式得到第一区间值和第二区间值,
根据所述第一区间值和第二区间值生成偏移区间。
可选地,在第一方面的一种可能实现方式中,在接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测得到每个未来时间点所对应的碳排放区间数据的过程中,包括以下内容:
获取与当前时间点最接近的先前时间点的碳排放数据,基于所述第二基础碳排放预测值和先前时间点的碳排放数据对应的实际排放值得到第一碳排放增长值;
根据所述第二基础碳排放预测值、第一碳排放增长值以及偏移区间得到第一未来高排放值和第一未来低排放值,所述第一未来高排放值和第一未来低排放值为与当前时间点最接近的未来时间点的碳排放区间数据;
根据所述第一未来高排放值、第一未来低排放值、以及偏移区间计算得到第二未来高排放值和第二未来低排放值,所述第二未来高排放值和第二未来低排放值为与当前时间点次接近的未来时间点的碳排放区间数据。
可选地,在第一方面的一种可能实现方式中,在根据所述第一未来高排放值、第一未来低排放值、以及偏移区间计算得到第二未来高排放值和第二未来低排放值的过程中,包括以下内容:
根据所述第一未来高排放值和偏移区间得到第一高计算值和第二高计算值,将第一高计算值和第二高计算值中最高的计算值作为第二未来高排放值;
根据所述第一未来低排放值和偏移区间得到第一低计算值和第二低计算值,将第一低计算值和第二低计算值中最低的计算值作为第二未来低排放值。
本发明实施例的第二方面,提供一种基于多维参考量和时间序列的碳排放预测装置,包括:
获取模块,用于获取预设时间段内每个先前时间点的参考量值,所述参考量值包括碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据;
第一预测值计算模块,用于基于预设时间段内每个先前时间点的碳排放数据计算得到第一基础碳排放预测值,所述第一基础碳排放预测值为当前时刻的碳排放初始预测值;
权重值计算模块,用于基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值;
第二预测值计算模块,对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算得到第二基础碳排放预测值,所述第二基础碳排放预测值为当前时刻的碳排放二次预测值;
偏移计算模块,用于基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算得到预测地的偏移区间;
时间序列预测模块,用于接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测得到每个未来时间点所对应的碳排放区间数据。
本发明提供的基于多维参考量和时间序列的碳排放预测方法及装置,在进行碳排放预测时,所参考的维度包括了碳排放维度、经济维度、工业维度、人口维度以及预测地的属性,使得本发明提供的技术方案在进行碳排放预测时考虑了更多维度的数据,提高了碳排放预测的准确性。并且确定参考量时,可以获取某一个地区的参考量,使得所预测的碳排放量可以是针对某一个地区。本发明在预测时可以对未来多个时间点进行连续预测,进而得到具有时间序列的碳排放数据,使得碳排放预测时的周期性较好,预测时间跨度大。
本发明提供的技术方案,在得到第一经济权重值和第一工业权重值时,会充分考虑预设时间段内被预测的地区的经济、工业发展情况,使得第一经济权重值和第一工业权重值是根据多个时间点的信息、数据得到的,保障了第一经济权重值和第一工业权重值的准确性,此时所得到的第一经济权重值和第一工业权重值更加符合当地的经济、工业发展趋势,并且本发明会考虑当地的人口和属性情况,根据人口和属性情况对第一经济权重值和第一工业权重值进行处理、调整得到第二经济权重值和第二工业权重值,使得第二经济权重值和第二工业权重值更符合能源的预测趋势,进而基于第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算得到第二基础碳排放预测值更加的准确。
本发明提供的技术方案,在对未来时间点的碳排放进行预测时,会以区间的形式进行预测,因为所预测的未来时间点相较于当前时间点的间隔越长,则所预测的未来时间点的碳排放预测值就越是相对不准确,所以为了保障碳排放预测值的客观性、准确性,本发明会得到未来时间点预测的碳排放区间数据,在进行碳排放预测的输出时给定一个相应的区间,使得管理员可以根据情况指导相应区域内的碳排放行为和碳中和行为,实现碳达峰。
附图说明
图1为基于多维参考量和时间序列的碳排放预测方法的第一种实施方式的流程图;
图2为预设时间段内每个先前时间点的碳排放数据中二氧化碳排放量的示意图;
图3为基于多维参考量和时间序列的碳排放预测方法的第二种实施方式的流程图;
图4为基于多维参考量和时间序列的碳排放预测装置的第一种实施方式的结构图。
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,所描述的实施例仅仅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,都属于本发明保护的范围。
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”、“第三”“第四”等(如果存在)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。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“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。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于多维参考量和时间序列的碳排放预测方法,如图1所示,包括:
步骤S110、获取预设时间段内每个先前时间点的参考量值,所述参考量值包括碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据。本发明提供的技术方案,会获取预设时间段内每个先前时间点的参考量值。预设时间段可以是2000年至2020年。
则此时的碳排放数据可以是2000年至2020年中每个先前时间点的碳排放数据,如图2所示2000年至2020年的碳排放数据曲线图;则此时的经济数据可以是2000年至2020年中每个先前时间点的GDP数据;则此时的工业数据可以是2000年至2020年中每个先前时间点的工业产值数据;则此时的人口流动数据可以是2000年至2020年中每个先前时间点的人口净流入数据;预测地特性数据可以是根据预测地的发展程度确定的,预测地特性数据例如可以为发达地区、欠发达地区等等。本发明中的碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据可以是一个省、一个市等等。
本发明提供的技术方案,会获取数据库中预先存储的碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据。碳排放数据、经济数据、工业数据、人口流动数据可以是量化的数值,例如说碳排放数据即为碳排放数值,经济数据即为GDP数值,工业数据即为工业产值,人口流动数据即为人口净流入值,预测地特性数据对应的发达属性、欠发达属性可以分别具有对应的数值,例如说发达属性的量化值为1,欠发达属性的量化值为2,此时碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据都分别具有相对应的量化值。
步骤S120、基于预设时间段内每个先前时间点的碳排放数据计算,得到第一基础碳排放预测值,所述第一基础碳排放预测值为当前时刻的碳排放初始预测值。本发明提供的技术方案,会根据每个先前时间点的碳排放数据计算得到第一基础碳排放预测值,在计算第一基础碳排放预测值时,本发明只会考虑预设时间段内每个先前时间点的碳排放数据,此时的第一基础碳排放预测值并没有考虑经济、工业、人口等维度的数据。该种方式能够实现对当前时间点对应的碳排放值进行预测,此时得到第一基础碳排放预测值。
本发明提供的技术方案,步骤S120具体包括:
获取预设时间段内与当前时刻最接近的先前时间点的碳排放数据作为基准碳排放值。例如说当前时刻为2021年,预设时间段为2001年至2020年,与当前时刻最接近的先前时间点即为2020年,则此时基准碳排放值即为2020年的碳排放数据。
通过以下公式计算第一基础碳排放预测值,
通过可以得到任意两个相邻的碳排放数据之间的变化总
值,通过可以得到预设时间点内所有碳排放数据之间
的碳排放变化平均值,当越大时,则所预测的当前时
刻的第一基础碳排放预测值越大,当越小时,则所预
测的当前时刻的第一基础碳排放预测值越小。通过以上的技术方案,可以根据预设时间段
内每个时间点的碳排放情况得到当前时刻相应的第一基础碳排放预测值。
通过以上的步骤,实现通过预设时间段内多个连续的先前时间点对当前时间点的碳排放进行预测得到第一基础碳排放预测值。
步骤S130、基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势,得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据,对所述第一经济权重值和第一工业权重值进行处理,得到第二经济权重值和第二工业权重值。本发明提供的技术方案,会根据先前时间点的经济数据变化情况、趋势和工业数据变化情况、趋势得到第一经济权重值和第一工业权重值,通过第一经济权重值和第一工业权重值可以反映出经济和工业对碳排放预测的影响程度。
本发明提供的技术方案,步骤S130具体包括:
获取预设时间段内先前时间点的经济数据、预设时间段内先前时间点的工业数据。本发明在计算第一经济权重值和第一工业权重值前,首先会统计预设时间段内先前时间点的经济数据和工业数据。
通过以下公式得到第一经济权重值和第一工业权重值,
其中,为第一经济权重值,为经济常数值,为第个先前时
间点的经济数据,为第个先前时间点的经济数据,为计算经济权重值时所对应
的先前时间点的上限值,为第一工业权重值,为工业常数值,为第
个先前时间点的经济数据,为第个先前时间点的经济数据,为计算工业权重时所
对应的先前时间点的上限值。
通过可以得到预设时间段内所有先前时间点的
经济变化情况,即为预设时间段内经济数据平均
变化值,当越大时,则证明经济发展越快速,此
时的第一经济权重值则越大。本发明会根据被预测地区的经济结构、经济数额确定相
应的经济常数值,例如说经济发达省会,其经济发展势头迅猛,此时经济常数值
可以是是个较大的值,例如说经济欠发达省会,其经济发展势头较差,此时经济常数值
可以是是个较小的值。
通过可以得到预设时间段内所有先前时间点的工业变
化情况,即为预设时间段内工业数据平均变化
值,当越大时,则证明工业发展越快速,此时的第一
工业权重值则越大。本发明会根据被预测地区的工业结构、工业数额确定相应的工业
常数值,例如说经济发达省会,其经济发展势头迅猛,此时工业常数值可以是是
个较大的值,例如说经济欠发达省会,其经济发展势头较差,此时工业常数值可以是
是个较小的值。
本发明提供的技术方案,步骤S130具体包括:
获取预设时间段内所有先前时间点的人口流动数量,得到预设时间段内的总人口流动数量。例如说某个省2020年流入1000人,则此时的先前时间点2020年的人口流动数量即为正1000。例如说某个省2019年流出900人,则此时的先前时间点2019年的人口流动数量即为负1000。本发明提供的技术方案,会统计每个先前时间点的人口流动数量得到一个总人口流动数量。
若所述总人口流动数量大于等于0,则确定第一人口影响值。当总人口流动数量大于等于0时,则证明被预测的地区的人口属于是净流入的情况,则基于人口维度考虑,此时对碳排放的影响是具有增加的趋势的,本发明会预先设置第一人口影响值,当被预测的地区的人口属于是净流入的情况时,此时选择对应发的第一人口影响值,第一人口影响值可以是一个预设的常数值。
若所述总人口流动数量小于0,则确定第二人口影响值。当总人口流动数量小0时,则证明被预测的地区的人口属于是净流出的情况,则基于人口维度考虑,此时对碳排放的影响是具有减少的趋势的,本发明会预先设置第二人口影响值,当被预测的地区的人口属于是净流出的情况时,此时选择对应发的第二人口影响值,第二人口影响值可以是一个预设的常数值。
其中,第二人口影响值优选小于第一人口影响值。
将所述预测地特性数据与预设地特性数据比对得到属性权重值,每种特性数据具有对应的预设地特性数据,每个预设地特性数据具有预先对应的属性权重值。本发明会会预先设置多个预设地特性数据,多个预设地特性数据可以包括发达属性、欠发达属性等等。例如说具有发达属性的预设地特性数据所对应的属性权重值为1.03,具有欠发达属性的预设地特性数据所对应的属性权重值为0.97。
通过以下公式对所述第一经济权重值和第一工业权重值进行处理,
本发明提供的技术方案,可以根据总人口流动数量的数值的不同,确定不同的第一人口影响值和第二人口影响值。当总人口流动数量为正向时,通过第一人口影响值进行正向的引导;当总人口流动数量为负向时,通过第一人口影响值进行反向的引导;进而确定更加准确的第一经济权重值和第二工业权重值,因为经济、工业与人口的净流入存在正相关。
本发明提供的技术方案,可以根据预测地区的预设地特性数据对第一经济权重值和第二工业权重值采取不同的趋势调整,发达地区具有发展迅速的特点,其碳排放量可能会增加较多,此时具有发达属性的预设地特性数据所对应的属性权重值即可以较高,具有欠发达属性的预设地特性数据所对应的属性权重值即可以较低。
通过以上的技术方案,使得本发明可以根据不同预测地区的人口流动、当地属性不同对第一经济权重值和第一工业权重值进行处理,得到更适宜所预测地区的第二经济权重值和第二工业权重值,保障了本发明在进行碳排放预测时的准确性。
步骤S140、对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算,得到第二基础碳排放预测值,所述第二基础碳排放预测值为当前时刻的碳排放二次预测值。本发明提供的技术方案,在得到第二经济权重值和第二工业权重值后,会基于第二经济权重值和第二工业权重值对第一基础碳排放预测值进行计算得到第二基础碳排放预测值,此时即在原第一基础碳排放预测值的基础上,引入相应的第二经济权重值和第二工业权重值对第一基础碳排放预测值的影响,得到相应的第二基础碳排放预测值,使得第二基础碳排放预测值在第一基础碳排放预测值的基础上参考了人口数据、经济数据、工业数据以及预测地的数据,保障了第二基础碳排放预测值的准确性。
步骤S140具体包括:
通过以下公式计算得到第二基础碳排放预测值,
其中,为第二基础碳排放预测值,为第一标准经济值,为第一标准
工业值。本发明提供的技术方案,会预先设置第一标准经济值、第一标准工业值,第一标准
经济值和第一标准工业值可以是管理员根据被预测地区的实际经济、工业发展水平预先设
置的。
当第二经济权重值、第二工业权重值越大时,则越大,此时第
二基础碳排放预测值相较于第一基础碳排放预测值的变化就越多,通过以上方式,保障了
第二基础碳排放预测值的准确性,即第二基础碳排放预测值是参考了被预测地区的多种维
度所得到的。使得本发明提供的技术方案进行碳排放预测时的准确度较高。
步骤S150、基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算,得到预测地的偏移区间。由于本发明提供的技术方案,会预测多个连续的未来时间点所对应的碳排放数据,时间跨度越长则预测的碳排放数据与实际的碳排放数据之间的误差可能就会越大,所以本发明会进行计算得到偏移区间,偏移区间即参考了正向或负向的误差值,使得所输出的未来时间点预测数据更加的客观、准确。
本发明提供的技术方案,步骤S150具体包括:
接收用户输入的基础调整值,基于所述基础调整值、第二经济权重值、第二工业权重值以及预测地特性数据得到第一区间值和第二区间值。本发明提供的技术方案中,用户可以根据所预测地区的不同输入基础调整值,基础调整值例如说0.1、0.15等等。
通过以下公式得到第一区间值和第二区间值,
其中,为第一区间值,为第二区间值,为基础调整值。可以这样理解,
第一区间值大于第二区间值,本发明在得到第一区间值和第二区间值时,也充分考虑预测
地区的经济数据、工业数据和地区属性数据,使得每个地区都具有与其相适应的第一区间
值和第二区间值。
根据所述第一区间值和第二区间值生成偏移区间。例如说第一区间值为1.1,第二区间值为0.9,则此时生成的偏移区间即为[0.9,1.1]。
步骤S160、接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测,得到每个未来时间点所对应的碳排放区间数据。预测时间序列可以包括多个未来时间点,例如说当前时间点为2021年,则此时预测时间序列中的未来时间点既可以包括2022年、2023年等等。本发明会根据第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测得到每个未来时间点所对应的碳排放区间数据。
本发明提供的技术方案,参见图3,步骤S160具体包括:
步骤S1601、获取与当前时间点最接近的先前时间点的碳排放数据,基于所述第二基础碳排放预测值和先前时间点的碳排放数据对应的实际排放值得到第一碳排放增长值。例如说当前时间点为2021年,则此时的第二基础碳排放预测值即为2021年所对应的第二基础碳排放预测值,先前时间点的碳排放数据对应的实际排放值即为2020年的实际排放值,此时可以使2021年的第二基础碳排放预测值减去2020年的实际排放值得到增长变化值,将增长变化值除以2020年的实际排放值得到第一碳排放增长值,通过第一碳排放增长值可以得到当前时间点的第二基础碳排放预测值相较于先前时间点的碳排放数据的增长情况。
步骤S1602、根据所述第二基础碳排放预测值、第一碳排放增长值以及偏移区间得到第一未来高排放值和第一未来低排放值,所述第一未来高排放值和第一未来低排放值为与当前时间点最接近的未来时间点的碳排放区间数据。
本发明在计算第一未来高排放值时,可以将第二基础碳排放预测值、第一碳排放增长值以及偏移区间中的第一区间值相乘得到第一未来高排放值;
本发明在计算第二未来低排放值时,可以将第二基础碳排放预测值、第一碳排放增长值以及偏移区间中的第二区间值相乘得到第一未来低排放值。
可以这样理解,第一未来高排放值和第一未来低排放值是2022年的碳排放区间数据,此时的2022年的碳排放预测数据是一个区间值。
步骤S1603、根据所述第一未来高排放值、第一未来低排放值、以及偏移区间计算得到第二未来高排放值和第二未来低排放值,所述第二未来高排放值和第二未来低排放值为与当前时间点次接近的未来时间点的碳排放区间数据。
在一个可能的实施方式中,根据所述第一未来高排放值、第一未来低排放值、以及偏移区间计算得到第二未来高排放值和第二未来低排放值包括:
根据所述第一未来高排放值和偏移区间得到第一高计算值和第二高计算值,将第一高计算值和第二高计算值中最高的计算值作为第二未来高排放值。
本发明在计算第一高计算值时,可以将第一未来高排放值、第一碳排放增长值以及偏移区间中的第一区间值相乘得到第一高计算值。
本发明在计算第二高计算值时,可以将第一未来高排放值、第一碳排放增长值以及偏移区间中的第二区间值相乘得到第二高计算值。
根据所述第一未来低排放值和偏移区间得到第一低计算值和第二低计算值,将第一低计算值和第二低计算值中最低的计算值作为第二未来低排放值。
本发明在计算第一低计算值时,可以将第一未来低排放值、第一碳排放增长值以及偏移区间中的第一区间值相乘得到第一低计算值。
本发明在计算第二低计算值时,可以将第一未来低排放值、第一碳排放增长值以及偏移区间中的第二区间值相乘得到第二低计算值。
可以这样理解,第二未来高排放值和第二未来低排放值是2023年的碳排放区间数据,此时的2023年的碳排放预测数据是一个区间值。
通过以上的技术方案,本发明可以在对未来时间点的碳排放进行预测时,得到多个时间点的碳排放预测数据,并且使碳排放预测数据是一个区间值,保障了碳排放预测数据的准确性。
在进行碳排放预测时,可以根据多种模型的组合实现碳排放的预测,在本发提供的技术方案的基础上,在一个可能的实施方式中,本发明还提供可以基于CEEMDAN和MMPASVR模型实现碳排放量的预测通过自适应噪声完备集合经验模态分解(CEEMDAN)对碳排放总量数据进行处理,对输入信号进行分层处理,得到本征模态函数。支持大数据预测的参数自适应 SVR 算法 ,本发明可以将启发式算法和支持向量机算法进行混合,由于启发式算法在大数据测算时需要运行相当长的时间,使得系统的时间复杂度大大增加,聚类分析的加入能够弥补这一缺点,先将大数据进行聚类,将这三种算法进行结合,能够提高预测的精度、稳定性和泛化程度。
本发明提供的技术方案,还提供一种基于多维参考量和时间序列的碳排放预测装置,如图4所示,包括:
获取模块,用于获取预设时间段内每个先前时间点的参考量值,所述参考量值包括碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据;
第一预测值计算模块,用于基于预设时间段内每个先前时间点的碳排放数据计算得到第一基础碳排放预测值,所述第一基础碳排放预测值为当前时刻的碳排放初始预测值;
权重值计算模块,用于基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值;
第二预测值计算模块,对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算得到第二基础碳排放预测值,所述第二基础碳排放预测值为当前时刻的碳排放二次预测值;
偏移计算模块,用于基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算得到预测地的偏移区间;
时间序列预测模块,用于接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测得到每个未来时间点所对应的碳排放区间数据。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.基于多维参考量和时间序列的碳排放预测方法,其特征在于,包括:
获取预设时间段内每个先前时间点的参考量值,所述参考量值包括碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据;
基于预设时间段内每个先前时间点的碳排放数据计算,得到第一基础碳排放预测值,所述第一基础碳排放预测值为当前时刻的碳排放初始预测值;
基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势,得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据,对所述第一经济权重值和第一工业权重值进行处理,得到第二经济权重值和第二工业权重值;
对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算,得到第二基础碳排放预测值,所述第二基础碳排放预测值为当前时刻的碳排放二次预测值;
基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算,得到预测地的偏移区间;
接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测,得到每个未来时间点所对应的碳排放区间数据。
3.根据权利要求2所述的基于多维参考量和时间序列的碳排放预测方法,其特征在于,
在基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值的过程中,包括以下内容:
获取预设时间段内先前时间点的经济数据、预设时间段内先前时间点的工业数据;
通过以下公式得到第一经济权重值和第一工业权重值,
4.根据权利要求3所述的基于多维参考量和时间序列的碳排放预测方法,其特征在于,
在基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值的过程中,还包括以下内容:
获取预设时间段内所有先前时间点的人口流动数量,得到预设时间段内的总人口流动数量;
若所述总人口流动数量大于等于0,则确定第一人口影响值;
若所述总人口流动数量小于0,则确定第二人口影响值;
将所述预测地特性数据与预设地特性数据比对得到属性权重值,每种特性数据具有对应的预设地特性数据,每个预设地特性数据具有预先对应的属性权重值;
通过以下公式对所述第一经济权重值和第一工业权重值进行处理,
7.根据权利要求1所述的基于多维参考量和时间序列的碳排放预测方法,其特征在于,
在接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测得到每个未来时间点所对应的碳排放区间数据的过程中,包括以下内容:
获取与当前时间点最接近的先前时间点的碳排放数据,基于所述第二基础碳排放预测值和先前时间点的碳排放数据对应的实际排放值得到第一碳排放增长值;
根据所述第二基础碳排放预测值、第一碳排放增长值以及偏移区间得到第一未来高排放值和第一未来低排放值,所述第一未来高排放值和第一未来低排放值为与当前时间点最接近的未来时间点的碳排放区间数据;
根据所述第一未来高排放值、第一未来低排放值、以及偏移区间计算得到第二未来高排放值和第二未来低排放值,所述第二未来高排放值和第二未来低排放值为与当前时间点次接近的未来时间点的碳排放区间数据。
8.根据权利要求7所述的基于多维参考量和时间序列的碳排放预测方法,其特征在于,
在根据所述第一未来高排放值、第一未来低排放值、以及偏移区间计算得到第二未来高排放值和第二未来低排放值的过程中,包括以下内容:
根据所述第一未来高排放值和偏移区间得到第一高计算值和第二高计算值,将第一高计算值和第二高计算值中最高的计算值作为第二未来高排放值;
根据所述第一未来低排放值和偏移区间得到第一低计算值和第二低计算值,将第一低计算值和第二低计算值中最低的计算值作为第二未来低排放值。
9.基于多维参考量和时间序列的碳排放预测装置,其特征在于,包括:
获取模块,用于获取预设时间段内每个先前时间点的参考量值,所述参考量值包括碳排放数据、经济数据、工业数据、人口流动数据以及预测地特性数据;
第一预测值计算模块,用于基于预设时间段内每个先前时间点的碳排放数据计算得到第一基础碳排放预测值,所述第一基础碳排放预测值为当前时刻的碳排放初始预测值;
权重值计算模块,用于基于预设时间段内先前时间点的经济数据变化趋势和工业数据变化趋势得到第一经济权重值和第一工业权重值,根据所述人口流动数据和预测地特性数据对所述第一经济权重值和第一工业权重值进行处理得到第二经济权重值和第二工业权重值;
第二预测值计算模块,对所述第二经济权重值、第二工业权重值以及第一基础碳排放预测值进行计算得到第二基础碳排放预测值,所述第二基础碳排放预测值为当前时刻的碳排放二次预测值;
偏移计算模块,用于基于所述第二经济权重值、第二工业权重值以及预测地特性数据计算得到预测地的偏移区间;
时间序列预测模块,用于接收用户选定的预测时间序列,提取所述预测时间序列中的多个未来时间点,基于所述第二基础碳排放预测值、偏移区间对多个未来时间点对应的碳排放数据进行预测得到每个未来时间点所对应的碳排放区间数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172491.2A CN114240005B (zh) | 2022-02-24 | 2022-02-24 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172491.2A CN114240005B (zh) | 2022-02-24 | 2022-02-24 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114240005A true CN114240005A (zh) | 2022-03-25 |
CN114240005B CN114240005B (zh) | 2022-06-03 |
Family
ID=80748091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210172491.2A Active CN114240005B (zh) | 2022-02-24 | 2022-02-24 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240005B (zh) |
Cited By (2)
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 |
CN116822803A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063630A (zh) * | 2014-07-16 | 2014-09-24 | 南京擎天科技有限公司 | 一种地区碳排放量预测方法 |
CN105139091A (zh) * | 2015-08-26 | 2015-12-09 | 国家电网公司 | 一种基于时间序列法的电容器电容值及其变化趋势预测方法 |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN110858973A (zh) * | 2018-08-23 | 2020-03-03 | 中国移动通信集团山东有限公司 | 小区网络流量预测方法及装置 |
CN113205225A (zh) * | 2021-05-27 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 一种碳排放达峰的关键因子识别方法、系统及数据平台 |
US20210264375A1 (en) * | 2020-02-25 | 2021-08-26 | Hitachi, Ltd. | Time series data prediction apparatus and time series data prediction method |
CN113496098A (zh) * | 2021-09-06 | 2021-10-12 | 阿里云计算有限公司 | 面向碳减排的用能管控方法、计算设备及介质 |
CN113705936A (zh) * | 2021-10-26 | 2021-11-26 | 国网浙江省电力有限公司 | 基于碳循环的能源配置方法、装置及存储介质 |
-
2022
- 2022-02-24 CN CN202210172491.2A patent/CN114240005B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063630A (zh) * | 2014-07-16 | 2014-09-24 | 南京擎天科技有限公司 | 一种地区碳排放量预测方法 |
CN105139091A (zh) * | 2015-08-26 | 2015-12-09 | 国家电网公司 | 一种基于时间序列法的电容器电容值及其变化趋势预测方法 |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN110858973A (zh) * | 2018-08-23 | 2020-03-03 | 中国移动通信集团山东有限公司 | 小区网络流量预测方法及装置 |
US20210264375A1 (en) * | 2020-02-25 | 2021-08-26 | Hitachi, Ltd. | Time series data prediction apparatus and time series data prediction method |
CN113205225A (zh) * | 2021-05-27 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 一种碳排放达峰的关键因子识别方法、系统及数据平台 |
CN113496098A (zh) * | 2021-09-06 | 2021-10-12 | 阿里云计算有限公司 | 面向碳减排的用能管控方法、计算设备及介质 |
CN113705936A (zh) * | 2021-10-26 | 2021-11-26 | 国网浙江省电力有限公司 | 基于碳循环的能源配置方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
BEHROUZ SAFARINEJADIAN,AND ETC: "Predict time series using extended, unscented, and cubature Kalman filters based on feed-forward neural network algorithm", 《THE 3RD INTERNATIONAL CONFERENCE ON CONTROL, INSTRUMENTATION, AND AUTOMATION》 * |
高思凡: "基于时变权重的区间时间序列组合预测模型构造", 《重庆工商大学学报(自然科学版)》 * |
Cited By (3)
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 |
CN116822803A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN116822803B (zh) * | 2023-08-29 | 2023-11-24 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114240005B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114240005B (zh) | 基于多维参考量和时间序列的碳排放预测方法及装置 | |
WO2021238455A1 (zh) | 数据处理方法、设备及计算机可读存储介质 | |
US20050278613A1 (en) | Topic analyzing method and apparatus and program therefor | |
CN112633412B (zh) | 异常用电检测方法、设备及存储介质 | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
Tu et al. | A theoretical investigation of several model selection criteria for dimensionality reduction | |
CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
CN109255368B (zh) | 随机选取特征的方法、装置、电子设备及存储介质 | |
Nababan et al. | Implementation of K-Nearest Neighbors (KNN) algorithm in classification of data water quality | |
CN111259167A (zh) | 用户请求风险识别方法及装置 | |
CN113420946B (zh) | 一种新闻媒体的评价方法 | |
CN117520660A (zh) | 基于大数据的资讯信息提取推送方法及系统 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
CN116010228B (zh) | 面向网络安全扫描的时间预估方法及装置 | |
Christen et al. | On the analysis of accumulation curves | |
CN114066018A (zh) | 基于支持向量的配电站建设物资需求预测方法 | |
CN114828208A (zh) | 终端位置的识别方法及装置、计算机可读介质、电子设备 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
Heiner et al. | Autoregressive density modeling with the Gaussian process mixture transition distribution | |
CN115271544B (zh) | 降低噪声投诉率的方法、装置、电子设备及存储介质 | |
CN111008874B (zh) | 技术趋势预测方法、系统及存储介质 | |
CN117664888B (zh) | 基于水质预测模型库的水质监测方法、装置、设备及介质 | |
CN109086730A (zh) | 一种手写数字识别方法、装置、设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |