CN114519451B - 智能化孤岛型园区车辆碳排量预测方法和系统 - Google Patents
智能化孤岛型园区车辆碳排量预测方法和系统 Download PDFInfo
- Publication number
- CN114519451B CN114519451B CN202111606175.3A CN202111606175A CN114519451B CN 114519451 B CN114519451 B CN 114519451B CN 202111606175 A CN202111606175 A CN 202111606175A CN 114519451 B CN114519451 B CN 114519451B
- Authority
- CN
- China
- Prior art keywords
- time segment
- park
- island
- target time
- next day
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 39
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 170
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 85
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 85
- 238000010521 absorption reaction Methods 0.000 claims abstract description 71
- 238000007726 management method Methods 0.000 claims abstract description 63
- 230000007246 mechanism Effects 0.000 claims abstract description 63
- 241001464837 Viridiplantae Species 0.000 claims abstract description 45
- 238000011217 control strategy Methods 0.000 claims abstract description 39
- 238000013506 data mapping Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 79
- 230000000875 corresponding effect Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 22
- 238000003384 imaging method Methods 0.000 claims description 16
- 241000196324 Embryophyta Species 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 2
- 238000006386 neutralization reaction Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000005192 partition Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 239000005431 greenhouse gas Substances 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能化孤岛型园区车辆碳排量预测方法，所述方法包括：使用数据映射机构，用于基于孤岛型园区内种植的每一种绿植对应的种植数量，确定孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；使用管控调节系统，通过设计碳监测智能模型，分析历史碳排放及碳吸收数据，同时对不同时段的车辆管理模式开展管控策略推演。当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对孤岛型园区在次日的目标时间分段内进入车辆的管控策略。本发明还涉及一种智能化孤岛型园区车辆碳排量预测系统。通过本发明，能够采用不同的智能化估测机制分别估测未来每一时间分段内园区运动车辆总数以及未来每一时间分段内园区绿植整体的二氧化碳吸收能力，从而为分时维护孤岛型园区的碳中和效果提供了保障。
Description
技术领域
本发明涉及孤岛型园区管理领域，尤其涉及一种智能化孤岛型园区车辆碳排量预测方法和系统。
背景技术
一般地，园区指由政府或者民营企业与政府合作而规划建设的，各类配套设施齐全、布局合理且能够满足从事某种特定行业生产和科学实验需要的标准性建筑物或建筑物群体，由于大部分园区采取独立的门禁控制、供水控制、供电控制、供气控制、通讯控制、仓储控制及其他配套控制，因此，从整体上来看，这些执行配套独立控制的园区实际上是一种孤岛型园区。
孤岛型园区的管理是全方位、多层次的管理。一般而言，孤岛型园区规模都比较大，领导者管理半径与管理纵深相应变大，做出准确决策的难度大大增加。从项目、公司、到各行业、各部门的逐级监控管理问题，不同市场环境的兼顾适应与风险控制问题，专业分工细化带来的资源整合及协调问题等，都是园区在管理中所面临的挑战。因此，需要对孤岛型园区的管理进行智能化升级，以提升孤岛型园区的管理效率，降低孤岛型园区的管理成本。
例如，孤岛型园区内部，通常种植了较大面积的绿植以实现对孤岛型园区内部的运动车辆的碳排放量的中和操作，然而，整个园区的绿植其整体的二氧化碳吸收能力是有限的，如果进入园区且处于运动状态的车辆对象过多，则再允许进入大量的车辆对象时，必然导致园区的碳中和失败，因此，需要提前预测未来每一时间分段内园区运动车辆总数以及未来每一时间分段内园区绿植整体的二氧化碳吸收能力，才能决定是否需要对进入园区的车辆进行管控。然而，难点就在于未来每一时间分段内园区运动车辆总数以及未来每一时间分段内园区绿植整体的二氧化碳吸收能力无法有效获取。
发明内容
为了解决上述问题，本发明提供了一种智能化孤岛型园区车辆碳排量预测方法和系统，通过设计碳监测智能模型，分析历史碳排放及碳吸收数据，获取未来每一时间分段内园区运动车辆总数以及未来每一时间分段内园区绿植整体的二氧化碳吸收能力，并以获取的数据对未来不同时段的车辆管理模式开展管控策略推演，从而避免孤岛型园区的碳中和效果失控。
相比较于现有技术，本发明至少需要具备以下三处突出的实质性特点：
（1）将每一天的时间轴等分成各个时间分区，采用定制结构的深度神经网络基于孤岛型园区的同一时间分区的历史动态车辆数量估测未来日期的同一时间分区的动态车辆数据，进而确定孤岛型园区在未来日期的同一时间分区的碳排放总量；
（2）基于孤岛型园区内种植的每一种绿植在某一天某一个时间分段的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述孤岛型园区某一天某一个时间分段的最大二氧化碳吸收数值，其中，根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值，从而提供所述孤岛型园区在各个时间分段的碳中和能力；
（3）当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动孤岛型园区在次日的目标时间分段内进入车辆的管控策略，其中，次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少，从而采用智能化机制维护孤岛型园区整体的碳中和效果。
根据本发明的第一方面，提供了一种智能化孤岛型园区车辆碳排量预测方法，所述方法包括：
使用数据映射机构，服务于孤岛型园区，用于基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
使用对象检测机构，服务于所述孤岛型园区，用于基于视觉检测模式检测所述孤岛型园区在历史日期的每一个时间分段内的运动车辆对象数量；
使用第一提取机构，与所述对象检测机构连接，用于提取针对所述孤岛型园区的深度神经网络，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量，所述深度神经网络的单个输出信号为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量；
使用第二提取机构，与所述第一提取机构连接，用于将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络；
使用排放解析设备，与所述第二提取机构连接，用于将所述孤岛型园区在次日之前设置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对象数量作为学习后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络，获得所述学习后的深度神经网络输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量；
使用管控调节系统，分别与所述数据映射机构以及所述排放解析设备连接，用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
其中，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还包括：次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少。
其中，将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络包括：所述固定总数的取值与所述孤岛型园区内种植的绿植种类总数正向关联。
根据本发明的第二方面，提供了一种智能化孤岛型园区车辆碳排量预测系统，所述系统包括：
数据映射机构，服务于孤岛型园区，用于基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
对象检测机构，服务于所述孤岛型园区，用于基于视觉检测模式检测所述孤岛型园区在历史日期的每一个时间分段内的运动车辆对象数量；
第一提取机构，与所述对象检测机构连接，用于提取针对所述孤岛型园区的深度神经网络，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量，所述深度神经网络的单个输出信号为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量；
第二提取机构，与所述第一提取机构连接，用于将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络；
排放解析设备，与所述第二提取机构连接，用于将所述孤岛型园区在次日之前设置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对象数量作为学习后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络，获得所述学习后的深度神经网络输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量；
管控调节系统，分别与所述数据映射机构以及所述排放解析设备连接，用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
其中，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还包括：次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少。
其中，将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络包括：所述固定总数的取值与所述孤岛型园区内种植的绿植种类总数正向关联。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明的智能化孤岛型园区车辆碳排量预测方法和系统的技术流程图。
图2为根据本发明的实施例1示出的智能化孤岛型园区车辆碳排量预测方法的步骤流程图。
图3为根据本发明的实施例2示出的智能化孤岛型园区车辆碳排量预测方法的步骤流程图。
图4为根据本发明的实施例3示出的智能化孤岛型园区车辆碳排量预测方法的步骤流程图。
图5为根据本发明的实施例4示出的智能化孤岛型园区车辆碳排量预测系统的内部结构图。
图6为根据本发明的实施例5示出的智能化孤岛型园区车辆碳排量预测系统的内部结构图。
图7为根据本发明的实施例6示出的智能化孤岛型园区车辆碳排量预测系统的内部结构图。
具体实施方式
碳排放是关于温室气体排放的一个总称或简称。温室气体中最主要的气体是二氧化碳，因此用碳（Carbon）一词作为代表。作为让人们最快了解的方法就是将“碳排放”理解为“二氧化碳排放”。
多数科学家和政府承认温室气体已经并将继续为地球和人类带来灾难，所以碳中和这样的术语就成为容易被大多数人所理解、接受、并采取行动的文化基础。人们的日常生活一直都在排放二氧化碳，而如何通过有节制的生活，例如少用空调和暖气、少开车、少坐飞机等等，以及如何通过节能减误的技术来减少工厂和企业的碳排放量，成为本世纪初最重要的环保话题之一。
作为一个独立的管理个体，孤岛型园区的碳中和效果决定了孤岛型园区的管控水准。因此，对于孤岛型园区的管理方来说，如何维护园区的碳中和效果，是关系到管理水准的重要标准之一。常规的管理模式是尽可能种植大面积的绿植以及尽可能种植吸附二氧化碳能力较强的绿植，然而，园区面积以及绿植吸附能力毕竟有限，如果在未来某一时间区间进入园区的运动车辆过多，则仍然会严重影响园区的碳中和效果。
为了克服上述不足，本发明搭建了一种智能化孤岛型园区车辆碳排量预测方法和系统，通过设计碳监测智能模型，分析历史碳排放及碳吸收数据，同时对未来不同时段的车辆管理模式开展管控策略推演，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对孤岛型园区在次日的目标时间分段内进入车辆的管控策略，从而提升了孤岛型园区整体的碳中和效果。
如图1所示，给出了根据本发明示出的智能化孤岛型园区车辆碳排量预测方法和系统的技术流程图，其中，第一智能预测模型和第二智能预测模型为本发明建立的针对孤岛型园区的碳监测智能模型，用于分析历史碳排放及碳吸收数据，同时对不同时段的车辆管理模式开展管控策略推演。
如图1所示，本发明的具体的技术流程如下：
第一步，针对孤岛型园区，建立基于历史数据的未来日期的某一预测时间分区的动态车辆数据预测模型，所述历史数据为所述未来日期之前各个日期在与某一预测时间分区相同的时间分区分别对应的各个动态车辆数据，所述预测模型为具有定制结构的深度神经网络，所述深度神经网络的具体结构与孤岛型园区的占地面积相关；
第二步，基于获取的未来日期的某一预测时间分区的动态车辆数据确定孤岛型园区在未来日期的某一预测时间分区的碳排放总量，所述确定的碳排放总量与所述动态车辆数据正向关联；
第三步，针对孤岛型园区，基于孤岛型园区内种植的每一种绿植在某一预测时间分区的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述孤岛型园区在未来日期的某一预测时间分区的最大二氧化碳吸收数值，其中，根据未来日期的某一预测时间分区所处的不同季节，动态确定所述孤岛型园区在未来日期的某一预测时间分区的最大二氧化碳吸收数值；
第四步，根据孤岛型园区在未来日期的某一预测时间分区的碳排放总量与最大二氧化碳吸收数值的比较结果，确定孤岛型园区在未来日期的某一预测时间分区内是否启动对进入孤岛型园区的车辆的管控策略，其中，当碳排放总量大于最大二氧化碳吸收数值时，在未来日期的某一预测时间分区内启动对进入孤岛型园区的车辆的管控策略，二者差值越大，执行的管控策略越严格，例如，单位时间允许进入孤岛型园区的车辆总数越少。
本发明的关键点在于，采用两种不同的智能化预测模型作为碳监测智能模型通过分析历史碳排放及碳吸收数据分别对孤岛型园区在未来日期的某一预测时间分区的碳排放总量以及最大二氧化碳吸收数值分别进行评估，并基于二者的数值比较结果以及具体的差值数据自适应地对未来日期的某一预测时间分区的车辆管理模式开展管控策略推演，从而使得孤岛型园区整体的车辆管理兼顾园区车辆数量需求和园区碳排放吸收需求。
下面，将对本发明的智能化孤岛型园区车辆碳排量预测方法和系统以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的智能化孤岛型园区车辆碳排量预测方法的步骤流程图。
如图2所示，所述智能化孤岛型园区车辆碳排量预测方法包括以下步骤：
使用数据映射机构，服务于孤岛型园区，用于基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
使用对象检测机构，服务于所述孤岛型园区，用于基于视觉检测模式检测所述孤岛型园区在历史日期的每一个时间分段内的运动车辆对象数量；
使用第一提取机构，与所述对象检测机构连接，用于提取针对所述孤岛型园区的深度神经网络，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量，所述深度神经网络的单个输出信号为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量；
使用第二提取机构，与所述第一提取机构连接，用于将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络；
使用排放解析设备，与所述第二提取机构连接，用于将所述孤岛型园区在次日之前设置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对象数量作为学习后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络，获得所述学习后的深度神经网络输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量；
使用管控调节系统，分别与所述数据映射机构以及所述排放解析设备连接，用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
其中，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还包括：次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少。
其中，将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络包括：所述固定总数的取值与所述孤岛型园区内种植的绿植种类总数正向关联。
实施例2
图3为根据本发明的实施例2示出的智能化孤岛型园区车辆碳排量预测方法的步骤流程图。
如图3所示，相比较于本发明的实施例1，在所述智能化孤岛型园区车辆碳排量预测方法中：
所述对象检测机构包括画面采集单元、车辆识别单元、运动分析单元、时间供应单元和对象统计单元；
其中，所述画面采集单元设置在所述孤岛型园区的中央区域的正上方，用于采用覆盖所述孤岛型园区的视野执行画面采集动作，以获得园区成像画面；
其中，所述车辆识别单元与所述画面采集单元连接，用于识别所述园区成像画面中的各个车辆对象；
其中，所述运动分析单元分别与所述车辆识别单元和所述时间供应单元连接，用于基于连续多帧园区成像画面中同一车辆对象的位置是否改变以判断所述车辆对象是否属于运动车辆对象；
其中，所述对象统计单元分别与所述时间供应单元和所述运动分析单元连接，用于将历史日期的每一个时间分段内对应的各帧园区成像画面中被判断属于运动车辆对象的总数作为历史日期的每一个时间分段内的运动车辆对象数量输出。
实施例3
图4为根据本发明的实施例3示出的智能化孤岛型园区车辆碳排量预测方法的步骤流程图。
如图4所示，相比较于本发明的实施例1，所述智能化孤岛型园区车辆碳排量预测方法还包括：
使用门禁驱动机构，分别与所述管控调节系统以及所述孤岛型园区的门禁执行机构连接，用于基于所述管控调节系统确定的针对次日的目标时间分段执行以下车辆管控策略修正所述孤岛型园区的门禁执行机构的进入车辆的放入策略。
在上述实施例1-3的任一实施例中，可选地，在所述智能化孤岛型园区车辆碳排量预测方法中：
当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略包括：基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据；
其中，基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据包括：次日的目标时间分段内的运动车辆对象数量的数值越大，确定的次日的目标时间分段的估测碳排放数据的数值越大；
其中，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量包括：所述设置数量的取值与所述孤岛型园区的占地面积成正比。
在上述实施例1-3的任一实施例中，可选地，在所述智能化孤岛型园区车辆碳排量预测方法中：
基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：基于所述孤岛型园区内种植的每一种绿植在某一天某一个时间分段的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述孤岛型园区某一天某一个时间分段的最大二氧化碳吸收数值；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：一天的时间轴由多个时长均匀的时间分段构成；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
其中，根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：当所处的季节不同时，确定的所述孤岛型园区一天的同一个时间分段的最大二氧化碳吸收数值动态改变。
实施例4
图5为根据本发明的实施例4示出的智能化孤岛型园区车辆碳排量预测系统的内部结构图。
如图5所示，所述智能化孤岛型园区车辆碳排量预测系统包括以下部件：
数据映射机构，服务于孤岛型园区，用于基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
对象检测机构，服务于所述孤岛型园区，用于基于视觉检测模式检测所述孤岛型园区在历史日期的每一个时间分段内的运动车辆对象数量；
第一提取机构，与所述对象检测机构连接，用于提取针对所述孤岛型园区的深度神经网络，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量，所述深度神经网络的单个输出信号为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量；
第二提取机构，与所述第一提取机构连接，用于将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络；
排放解析设备，与所述第二提取机构连接，用于将所述孤岛型园区在次日之前设置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对象数量作为学习后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络，获得所述学习后的深度神经网络输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量；
管控调节系统，分别与所述数据映射机构以及所述排放解析设备连接，用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
其中，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还包括：次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少。
其中，将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络包括：所述固定总数的取值与所述孤岛型园区内种植的绿植种类总数正向关联。
实施例5
图6为根据本发明的实施例5示出的智能化孤岛型园区车辆碳排量预测系统的内部结构图。
如图6所示，相比较于本发明的实施例4，在所述智能化孤岛型园区车辆碳排量预测系统中：
所述对象检测机构包括画面采集单元、车辆识别单元、运动分析单元、时间供应单元和对象统计单元；
其中，所述画面采集单元设置在所述孤岛型园区的中央区域的正上方，用于采用覆盖所述孤岛型园区的视野执行画面采集动作，以获得园区成像画面；
其中，所述车辆识别单元与所述画面采集单元连接，用于识别所述园区成像画面中的各个车辆对象；
其中，所述运动分析单元分别与所述车辆识别单元和所述时间供应单元连接，用于基于连续多帧园区成像画面中同一车辆对象的位置是否改变以判断所述车辆对象是否属于运动车辆对象；
其中，所述对象统计单元分别与所述时间供应单元和所述运动分析单元连接，用于将历史日期的每一个时间分段内对应的各帧园区成像画面中被判断属于运动车辆对象的总数作为历史日期的每一个时间分段内的运动车辆对象数量输出。
实施例6
图7为根据本发明的实施例6示出的智能化孤岛型园区车辆碳排量预测系统的内部结构图。
如图7所示，相比较于本发明的实施例4，所述智能化孤岛型园区车辆碳排量预测系统还包括：
门禁驱动机构，分别与所述管控调节系统以及所述孤岛型园区的门禁执行机构连接，用于基于所述管控调节系统确定的针对次日的目标时间分段执行以下车辆管控策略修正所述孤岛型园区的门禁执行机构的进入车辆的放入策略。
在上述实施例4-6的任一实施例中，可选地，在所述智能化孤岛型园区车辆碳排量预测系统中：
当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略包括：基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据；
其中，基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据包括：次日的目标时间分段内的运动车辆对象数量的数值越大，确定的次日的目标时间分段的估测碳排放数据的数值越大；
其中，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量包括：所述设置数量的取值与所述孤岛型园区的占地面积成正比。
在上述实施例4-6的任一实施例中，可选地，在所述智能化孤岛型园区车辆碳排量预测系统中：
基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：基于所述孤岛型园区内种植的每一种绿植在某一天某一个时间分段的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述孤岛型园区某一天某一个时间分段的最大二氧化碳吸收数值；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：一天的时间轴由多个时长均匀的时间分段构成；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
其中，根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：当所处的季节不同时，确定的所述孤岛型园区一天的同一个时间分段的最大二氧化碳吸收数值动态改变。
另外，在所述智能化孤岛型园区车辆碳排量预测系统中，所述管控调节系统还用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值大于次日的目标时间分段的估测碳排放数据时，暂缓启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
以及，在所述智能化孤岛型园区车辆碳排量预测系统中，所述管控调节系统还用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值等于次日的目标时间分段的估测碳排放数据时，暂缓启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略。
以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种智能化孤岛型园区车辆碳排量预测方法，其特征在于，所述方法包括：
使用数据映射机构，服务于孤岛型园区，用于基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
使用对象检测机构，服务于所述孤岛型园区，用于基于视觉检测模式检测所述孤岛型园区在历史日期的每一个时间分段内的运动车辆对象数量；
使用第一提取机构，与所述对象检测机构连接，用于提取针对所述孤岛型园区的深度神经网络，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量，所述深度神经网络的单个输出信号为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量；
使用第二提取机构，与所述第一提取机构连接，用于将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络；
使用排放解析设备，与所述第二提取机构连接，用于将所述孤岛型园区在次日之前设置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对象数量作为学习后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络，获得所述学习后的深度神经网络输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量；
使用管控调节系统，分别与所述数据映射机构以及所述排放解析设备连接，用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
其中，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还包括：次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少；
其中，将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络包括：所述固定总数的取值与所述孤岛型园区内种植的绿植种类总数正向关联。
2.如权利要求1所述的智能化孤岛型园区车辆碳排量预测方法，其特征在于：
所述对象检测机构包括画面采集单元、车辆识别单元、运动分析单元、时间供应单元和对象统计单元；
其中，所述画面采集单元设置在所述孤岛型园区的中央区域的正上方，用于采用覆盖所述孤岛型园区的视野执行画面采集动作，以获得园区成像画面；
其中，所述车辆识别单元与所述画面采集单元连接，用于识别所述园区成像画面中的各个车辆对象；
其中，所述运动分析单元分别与所述车辆识别单元和所述时间供应单元连接，用于基于连续多帧园区成像画面中同一车辆对象的位置是否改变以判断所述车辆对象是否属于运动车辆对象；
其中，所述对象统计单元分别与所述时间供应单元和所述运动分析单元连接，用于将历史日期的每一个时间分段内对应的各帧园区成像画面中被判断属于运动车辆对象的总数作为历史日期的每一个时间分段内的运动车辆对象数量输出。
3.如权利要求1所述的智能化孤岛型园区车辆碳排量预测方法，其特征在于，所述方法还包括：
使用门禁驱动机构，分别与所述管控调节系统以及所述孤岛型园区的门禁执行机构连接，用于基于所述管控调节系统确定的针对次日的目标时间分段执行以下车辆管控策略修正所述孤岛型园区的门禁执行机构的进入车辆的放入策略。
4.如权利要求1-3任一所述的智能化孤岛型园区车辆碳排量预测方法，其特征在于：
当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略包括：基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据；
其中，基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据包括：次日的目标时间分段内的运动车辆对象数量的数值越大，确定的次日的目标时间分段的估测碳排放数据的数值越大；
其中，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量包括：所述设置数量的取值与所述孤岛型园区的占地面积成正比。
5.如权利要求1-3任一所述的智能化孤岛型园区车辆碳排量预测方法，其特征在于：
基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：基于所述孤岛型园区内种植的每一种绿植在某一天某一个时间分段的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述孤岛型园区某一天某一个时间分段的最大二氧化碳吸收数值；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：一天的时间轴由多个时长均匀的时间分段构成；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
其中，根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：当所处的季节不同时，确定的所述孤岛型园区一天的同一个时间分段的最大二氧化碳吸收数值动态改变。
6.一种智能化孤岛型园区车辆碳排量预测系统，其特征在于，所述系统包括：
数据映射机构，服务于孤岛型园区，用于基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
对象检测机构，服务于所述孤岛型园区，用于基于视觉检测模式检测所述孤岛型园区在历史日期的每一个时间分段内的运动车辆对象数量；
第一提取机构，与所述对象检测机构连接，用于提取针对所述孤岛型园区的深度神经网络，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量，所述深度神经网络的单个输出信号为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量；
第二提取机构，与所述第一提取机构连接，用于将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络；
排放解析设备，与所述第二提取机构连接，用于将所述孤岛型园区在次日之前设置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对象数量作为学习后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络，获得所述学习后的深度神经网络输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量；
管控调节系统，分别与所述数据映射机构以及所述排放解析设备连接，用于针对次日的目标时间分段执行以下车辆管控策略：当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略；
其中，当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还包括：次日的目标时间分段的估测碳排放数据超过次日的目标时间分段的最大二氧化碳吸收数值越多，单位时间允许进入所述孤岛型园区的车辆数量越少；
其中，将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总数的多次学习动作，以获得学习后的深度神经网络包括：所述固定总数的取值与所述孤岛型园区内种植的绿植种类总数正向关联。
7.如权利要求6所述的智能化孤岛型园区车辆碳排量预测系统，其特征在于：
所述对象检测机构包括画面采集单元、车辆识别单元、运动分析单元、时间供应单元和对象统计单元；
其中，所述画面采集单元设置在所述孤岛型园区的中央区域的正上方，用于采用覆盖所述孤岛型园区的视野执行画面采集动作，以获得园区成像画面；
其中，所述车辆识别单元与所述画面采集单元连接，用于识别所述园区成像画面中的各个车辆对象；
其中，所述运动分析单元分别与所述车辆识别单元和所述时间供应单元连接，用于基于连续多帧园区成像画面中同一车辆对象的位置是否改变以判断所述车辆对象是否属于运动车辆对象；
其中，所述对象统计单元分别与所述时间供应单元和所述运动分析单元连接，用于将历史日期的每一个时间分段内对应的各帧园区成像画面中被判断属于运动车辆对象的总数作为历史日期的每一个时间分段内的运动车辆对象数量输出。
8.如权利要求6所述的智能化孤岛型园区车辆碳排量预测系统，其特征在于，所述系统还包括：
门禁驱动机构，分别与所述管控调节系统以及所述孤岛型园区的门禁执行机构连接，用于基于所述管控调节系统确定的针对次日的目标时间分段执行以下车辆管控策略修正所述孤岛型园区的门禁执行机构的进入车辆的放入策略。
9.如权利要求6-8任一所述的智能化孤岛型园区车辆碳排量预测系统，其特征在于：
当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳排放数据时，启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略包括：基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据；
其中，基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估测碳排放数据包括：次日的目标时间分段内的运动车辆对象数量的数值越大，确定的次日的目标时间分段的估测碳排放数据的数值越大；
其中，所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量的多天分别在与估测时间分段同一时间分段内的多个运动车辆对象数量包括：所述设置数量的取值与所述孤岛型园区的占地面积成正比。
10.如权利要求6-8任一所述的智能化孤岛型园区车辆碳排量预测系统，其特征在于：
基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：基于所述孤岛型园区内种植的每一种绿植在某一天某一个时间分段的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述孤岛型园区某一天某一个时间分段的最大二氧化碳吸收数值；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：一天的时间轴由多个时长均匀的时间分段构成；
其中，基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值；
其中，根据所处的不同季节，动态确定所述孤岛型园区一天每一个时间分段的最大二氧化碳吸收数值包括：当所处的季节不同时，确定的所述孤岛型园区一天的同一个时间分段的最大二氧化碳吸收数值动态改变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111606175.3A CN114519451B (zh) | 2021-12-26 | 2021-12-26 | 智能化孤岛型园区车辆碳排量预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111606175.3A CN114519451B (zh) | 2021-12-26 | 2021-12-26 | 智能化孤岛型园区车辆碳排量预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114519451A CN114519451A (zh) | 2022-05-20 |
| CN114519451B true CN114519451B (zh) | 2022-08-02 |
Family
ID=81597728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111606175.3A Active CN114519451B (zh) | 2021-12-26 | 2021-12-26 | 智能化孤岛型园区车辆碳排量预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114519451B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
| CN116187788A (zh) * | 2023-05-04 | 2023-05-30 | 江苏智能低碳科技发展有限公司 | 用于厂区的能碳管理算法应用平台 |
| CN117132423B (zh) * | 2023-08-22 | 2024-04-12 | 深圳云创友翼科技有限公司 | 园区管理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012100416A4 (en) * | 2011-04-13 | 2012-05-31 | Donald Mcdonald | Device for Reducing Vehicle Emissions and Reducing Carbon Emissions from a Furnace/Appliance Which Burns Fossil Fuels |
| CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
| CN110472842A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种近零碳排放园区评价指标体系构建方法 |
| CN112668802A (zh) * | 2021-01-05 | 2021-04-16 | 广东工业大学 | 一种基于设计参数的施工碳排放预测方法 |
| CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
| CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
| WO2021195077A1 (en) * | 2020-03-27 | 2021-09-30 | BlueOwl, LLC | Systems and methods for determining historical amount of carbon emissions produced by vehicles |
-
2021
- 2021-12-26 CN CN202111606175.3A patent/CN114519451B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012100416A4 (en) * | 2011-04-13 | 2012-05-31 | Donald Mcdonald | Device for Reducing Vehicle Emissions and Reducing Carbon Emissions from a Furnace/Appliance Which Burns Fossil Fuels |
| CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
| CN110472842A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种近零碳排放园区评价指标体系构建方法 |
| WO2021195077A1 (en) * | 2020-03-27 | 2021-09-30 | BlueOwl, LLC | Systems and methods for determining historical amount of carbon emissions produced by vehicles |
| CN112668802A (zh) * | 2021-01-05 | 2021-04-16 | 广东工业大学 | 一种基于设计参数的施工碳排放预测方法 |
| CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
| CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
Non-Patent Citations (3)
| Title |
|---|
| Predicting combined-cycle natural gas power plant emissions by using artificial neural networks;I.A. Azid 等;《2000 TENCON Proceedings. Intelligent Systems and Technologies for the New Millennium 》;20020806;512-517 * |
| 产业园区碳排放核算方法研究;陈彬等;《中国人口资源与环境》;20170315;第27卷(第03期);4-13 * |
| 城市道路交通CO2排放测算及其树木固碳方法研究;安久煜;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;20170228;C034-1362 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114519451A (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114519451B (zh) | 智能化孤岛型园区车辆碳排量预测方法和系统 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
| CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
| CN101782743A (zh) | 神经网络建模方法及系统 | |
| CN110276393A (zh) | 一种绿色建筑能耗复合预测方法 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| CN110866528A (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
| CN110751411B (zh) | 一种面向云制造任务的制造资源匹配方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
| CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
| CN115034126A (zh) | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 | |
| CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
| CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
| CN115879607A (zh) | 一种电能表状态预测方法、系统、设备和存储介质 | |
| CN116070881B (zh) | 一种现代工业产区智能能耗调度方法及装置 | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
| CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
| CN115688984A (zh) | 分区用电量分析预测方法、装置及电子设备 | |
| CN116205508A (zh) | 一种分布式光伏发电异常诊断方法和系统 | |
| CN115016413A (zh) | 一种用于植物工厂作物种植的智能环境控制方法 | |
| CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
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 |