CN114548475A - 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 - Google Patents
一种基于大数据预测的碳排放强度分级评价方法和可视化系统 Download PDFInfo
- Publication number
- CN114548475A CN114548475A CN202111381033.1A CN202111381033A CN114548475A CN 114548475 A CN114548475 A CN 114548475A CN 202111381033 A CN202111381033 A CN 202111381033A CN 114548475 A CN114548475 A CN 114548475A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- province
- industry
- emission intensity
- future
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 374
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 369
- 238000011156 evaluation Methods 0.000 title claims abstract description 79
- 238000012800 visualization Methods 0.000 title claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013112 stability test Methods 0.000 claims description 2
- 241001123248 Arma Species 0.000 description 8
- 238000003860 storage Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000001744 unit root test 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据预测的碳排放强度分级评价方法及可视化系统,涉及大数据预测技术领域,基于各省份各行业的历史碳排放量和GDP数据预测未来各个年份的各省份各行业的碳排放量和GDP数据,并由此计算未来各省份各行业的碳排放强度和未来各省份、各行业和全国的碳排放量和GDP数据,进而确定各年份各省份的碳排放强度和全国总碳排放量和总GDP数据得到相应的碳排放强度;最终,对各年份的各省份和各行业的碳排放强度、对各年份的某行业各省份的碳排放强度和对各年份的某省份各行业的碳排放强度进行可视化评价;本方法及可视化系统为各个省份各个行业的碳排放强度优化提供决策基础。
Description
技术领域
本发明涉及大数据预测技术领域,具体涉及一种基于大数据预测的碳排放强度分级评价方法和可视化系统。
背景技术
2020年9月22日的联合国一般性辩论指出中国二氧化碳排放量力争在2030 年达到峰值。2020年12月12日的气候雄心峰会上进一步提出到2030年单位国内生产总值二氧化碳排放将比2005年下降65%以上,非化石能源资源占一次能源消费比重将达到25%左右,森林蓄积量比2005年增加60亿立方米,风能、太阳能发电量将达到12亿千瓦以上。
中国自2013年开始至2020年,在北京、上海、天津、重庆、湖北、广东、深圳、福建8个省市开展了碳排放交易的试点工作,使得碳排放强度大幅度下降,而其他还未引进碳排放交易市场的省市的碳排放较高,导致碳排放强度的区域分布不均匀,目前缺乏一种对各省份的碳排放强度进行系统评价的方法,以缩小碳排放强度的区域差异性,从而降低整体的碳排放强度。另外,不同行业的碳排放强度差异较大,例如工业碳排放强度是服务业的3-4倍,随着经济发展水平的提高,服务业在国民经济中的比重将进一步提高,有利于国家整体的碳排放强度的降低,但是实现双碳目标仅仅依靠经济结构的自发调整是远远不够的,还要推动工业的绿色低碳转型。通过对预测的各个行业的碳排放强度进行分级评价,及时地对相应行业进行调整,加强低碳措施。
发明内容
本发明目的在于提供一种基于大数据预测的碳排放强度分级评价方法和可视化系统,根据历史的碳排放量和GDP数据预测未来的碳排放量和GDP,从而得到未来各年份的碳排放强度,并通过可视化系统展示各年份各省份各行业碳排放强度的分级评价结果,为决策提供数据支持。
为达成上述目的,本发明提出如下技术方案:一种基于大数据预测的碳排放强度分级评价方法,包括:
基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据;
根据预测的未来若干年份的各省份各行业的碳排放量和GDP数据计算未来若干年份各省份各行业的碳排放强度,并根据未来若干年份各省份各行业的碳排放强度计算未来若干年份全国的总碳排放量、总GDP和总碳排放强度;
根据预测的未来若干年份的同一省份各行业的碳排放量和GDP数据计算未来各年份各省份的碳排放量和GDP数据,并根据未来各年份各省份的碳排放量和GDP数据计算未来各省份的碳排放强度;
根据预测的未来若干年份的各省份同一行业的碳排放量和GDP数据计算未来各年份各行业的碳排放量和GDP数据,并根据未来各年份各行业的碳排放量和GDP数据计算未来各行业的碳排放强度;
以总碳排放强度为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;以未来各年份中特定省份的碳排放强度为标准,对各年份各行业特定省份的碳排放强度进行可视化评价。
进一步的,所述基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据的具体过程为:
分别对自回归移动平均模型和曲线模型进行优化,获得优化后各模型的标准差;
比较优化后各模型标准差的大小,选择标准差最小的模型为预测模型;
输入各省份各行业的历史碳排放量和GDP数据至预测模型,获得未来若干年份的各省份各行业的碳排放量和GDP数据。
进一步的,所述通过网格搜索法对自回归移动平均模型进行优化的过程包括:
对历史碳排放量和GDP数据进行平稳性检验,判断历史碳排放量和GDP 数据是否为非平稳时间序列;若为非平稳时间序列,则需要对该非平稳序列进行差分,以获得平稳时间序列;其中,差分次数不超过2次;
设置自回归移动平均模型的阶数的网格范围和间隔,用Python语言表示为二重for循环,逐个对二重for循环中的取值进行拟合;
首先,对二重for循环中位于首位的取值的自回归移动平均模型,使用矩估计法估计自回归移动平均模型中的未知参数的值;
随后,检验估计的每一个未知参数是否显著非零,删除不显著非零参数,以精简自回归移动平均模型的结构,获得精简模型;
其次,利用得到的精简模型进行拟合,获得残差序列;
然后,根据白噪声检验法检验残差序列是否为白噪声序列;若残差序列为白噪声序列,表明进行拟合的精简模型有效、通过检验;否则对二重for循环中下一取值的自回归移动平均模型进行的拟合,直至二重for循环中所有取值的自回归移动平均模型均被检验;
最后,选择通过白噪声检验法检验的所有精简模型中标准差最小的模型为优化后的自回归移动平均模型。
进一步的,所述曲线模型包括三种,分别为修正指数曲线模型、Compertz 曲线模型和Logistic曲线模型;
对各曲线模型进行优化的过程包括:
检验历史碳排放量和GDP数据是否适用于各模型;
若历史碳排放量和GDP数据不符合上述三种曲线模型的任一检验结果,则该历史碳排放量和GDP数据不适用曲线模型,仅采用自回归移动平均模型拟合;若历史碳排放量和GDP数据至少适用于上述三种曲线模型中的一种,则采用三和法计算观察值的各部分之和;然后依据其分别适用的曲线模型,根据三和法的计算结果计算相应模型的参数估计值,得到相应的数学模型,并利用模型进行拟合;
根据历史碳排放量和GDP数据适用的三种曲线模型的数量,选择标准差最小的曲线模型为优化后曲线模型;当历史数据仅适用一种曲线模型时,直接选择该曲线模型对应的数学模型为优化后曲线模型。
进一步的,所述以总碳排放强度为标准,对未来各年份的各省份的碳排放强度进行可视化评价包括:
定义总碳排放强度为E,未来各年份的各省份的碳排放强度为Ei,则:
进一步的,所述以总碳排放强度为标准,对未来各年份的各行业的碳排放强度进行可视化评价包括:
定义总碳排放强度为E,未来各年份的各省份的碳排放强度为Ej,则:
进一步的,所述以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价包括:
定义总碳排放强度为E,未来各年份中特定行业的碳排放强度为Ej,各年份各省份特定行业的碳排放强度Eij,则:
当Ej>E时,若Eij>Ej,该省份该特定行业需要高度重视;若Ej>Eij>E,该省份该特定行业需要中度重视;若Eij<E,则该省份该特定行业的碳排放强度低于国家整体碳排放强度;
进一步的,所述以未来各年份中特定省份的碳排放强度为标准,对各年份各行业特定省份的碳排放强度进行可视化评价包括:
定义未来各年份中特定省份的碳排放强度为Ei,则:
当Ei>E时,若Eij>Ei,该特定省份该行业需要高度重视;若Ei>Eij>E,该特定省份该行业需要中度重视;若Eij<E,该特定省份该行业的碳排放强度低于国家整体碳排放强度。
本发明另一技术方案在于公开一种基于大数据预测的碳排放强度分级评价可视化系统,该系统包括处理器,处理器用于执行存储在存储器中的以下程序模块;
预测模块,用于基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据;
第一计算模块,用于根据预测的未来若干年份的各省份各行业的碳排放量和GDP数据计算未来若干年份各省份各行业的碳排放强度,并根据未来若干年份各省份各行业的碳排放强度计算未来若干年份全国的总碳排放量、总GDP和总碳排放强度;
第二计算模块,用于根据预测的未来若干年份的同一省份各行业的碳排放量和GDP数据计算未来各年份各省份的碳排放量和GDP数据,并根据未来各年份各省份的碳排放量和GDP数据计算未来各省份的碳排放强度;
第三计算模块,用于根据预测的未来若干年份的各省份同一行业的碳排放量和GDP数据计算未来各年份各行业的碳排放量和GDP数据,并根据未来各年份各行业的碳排放量和GDP数据计算未来各行业的碳排放强度;
第一评价模块,用于以总碳排放强度为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;
第二评价模块,用于以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;
第三评价模块,用于以未来各年份中特定省份的碳排放强度为标准,对各年份各行业特定省份的碳排放强度进行可视化评价。
进一步的,所述系统还包括:
图表生成模块,用于生成各评价模块根据设定的标准统计的可视化表格数据和统计图;
排序模块,用于对可视化表格数据由低到高排序;
显示模块,用于显示生成的可视化表格数据。
由以上技术方案可知,本发明的技术方案获得了如下有益效果:
本发明公开的基于大数据预测的碳排放强度分级评价方法及可视化系统,基于各省份各行业的历史碳排放量和GDP数据预测未来各个年份的各省份各行业的碳排放量和GDP数据,并由此计算未来各省份各行业的碳排放强度和确定未来各省份、各行业和全国的碳排放量和GDP数据,进而确定各年份各省份的碳排放强度和全国总碳排放量和总GDP数据得到相应的碳排放强度;最终,以各年份的全国碳排放强度为标准,对各年份的各省份和各行业的碳排放强度进行可视化评价;以各年份的某行业的碳排放强度为标准,对各年份的某行业各省份的碳排放强度进行可视化评价;以各年份的某省份的碳排放强度为标准,对各年份的某省份各行业的碳排放强度进行可视化评价。
本发明的碳排放强度分级评价方法及可视化系统根据历史的碳排放量和 GDP数据预测未来的碳排放量和GDP,从而得到未来各年份的碳排放强度,并通过可视化系统平台展示各年份各省份各行业碳排放强度的分级评价结果,进而各省份各行业可以通过可视化系统平台查看碳排放强度的排名和等级,从而为各个省份各个行业的碳排放强度优化提供决策基础,及时采取低碳措施。此外,本发明通过计算机程序根据历史的碳排放量和GDP数据自动拾取最优模型来预测未来各省份各行业的碳排放量和GDP,得到未来各省份各行业的碳排放强度,并能够随着历史数据的更新重新选择最优模型并输出相应的结果,同时解决了目前根据经验人工选择预测模型和确定相应参数效率低下且准确性无法保证的问题。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明分级评价方法的流程图;
图2为本发明分级评价方法中预测模型的筛选流程;
图3为实施例中特定年份各省份碳排放强度可视化表格数据;
图4为实施例中特定年份各行业碳排放强度可视化表格数据;
图5为实施例中当Ej>E时的各省份在特定年份特定行业的碳排放强度可视化表格数据;
图6为实施例中当Ej<E时的各省份在特定年份特定行业的碳排放强度可视化表格数据;
图7为实施例中当Ei>E时的各行业在特定年份特定省份的碳排放强度可视化表格数据;
图8为实施例中当Ei<E时的各行业在特定年份特定省份的碳排放强度可视化表格数据;
图9为实施例中可视化系统的操作步骤示例图一;
图10为实施例中可视化系统的操作步骤示例图二。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
基于当前社会对碳排放的重点关注,各省市纷纷出台低碳措施以降低碳排放强度,但是由于各省市产业分布不同、政策不同导致各省市碳排放强度的区域也分布不均匀,目前缺乏一种对各省份的碳排放强度进行系统评价的方法;本发明针对上述情况,提出一种基于大数据预测的碳排放强度分级评价方法和可视化系统,从整体上指导各省份进行产业调整和政策发布,达到缩小碳排放强度的区域差异性、降低整体的碳排放强度的目的。
下面结合附图所示的实施例,对本发明公开的基于大数据预测的碳排放强度分级评价方法和可视化系统作进一步具体介绍。
实施例公开的基于大数据预测的碳排放强度分级评价方法,包括:
基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据;
根据预测的未来若干年份的各省份各行业的碳排放量和GDP数据计算未来若干年份各省份各行业的碳排放强度,并根据未来若干年份各省份各行业的碳排放强度计算未来若干年份全国的总碳排放量、总GDP和总碳排放强度;
根据预测的未来若干年份的同一省份各行业的碳排放量和GDP数据计算未来各年份各省份的碳排放量和GDP数据,并根据未来各年份各省份的碳排放量和GDP数据计算未来各省份的碳排放强度;
根据预测的未来若干年份的各省份同一行业的碳排放量和GDP数据计算未来各年份各行业的碳排放量和GDP数据,并根据未来各年份各行业的碳排放量和GDP数据计算未来各行业的碳排放强度;
以总碳排放强度为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;以未来各年份中特定行业的碳排放强度Ej为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;以未来各年份中特定省份的碳排放强度Ei为标准,对各年份各行业特定省份的碳排放强度进行可视化评价。
实施例以网络公布的中国2005至2020年30个省份和直辖市的碳排放数据预测2021至2030年30个省份和直辖市的碳排放数据,例如其中,北京2005-2020 年运输、仓储、邮电服务行业的碳排放量为9.5、12.0、14.0、16.0、16.6、17.9、 19.0、19.4、20.4、21.7、22.2、23.24、24.60、26.48、27.4、28.5(百万吨CO2),根据下述的分级评价流程对各项结果分别计算,获得各项碳排放强度数据并进行可视化评价。
结合图1所示具体流程,假设全国有i个省份,j个行业,则记特定省份特定行业的碳排放量和GDP数据分别为Tij和Gij、特定省份的碳排放量和GDP数据分别为Ti和Gi、特定行业的碳排放量和GDP数据分别为Tj和Gj、全国的总碳排放量和总GDP数据分别为T和G,则基于大数据预测的碳排放强度分级评价方法的预测、计算和评价的过程包括如下步骤:
1)根据特定省份特定行业的碳排放量Tij和GDP数据Gij的历史数据预测未来各个年份的特定省份特定行业的碳排放量Tij和GDP数据Gij,利用python语言通过网格搜索法从自回归移动平均模型和曲线模型中自动选取最优的预测模型进行预测;
对于碳排放量的预测,目前通常由专家根据经验采用一种固定的方法来预测,而且模型的参数通过人工选择,效率低下且无法保证准确度;因此,实施例中采用计算机程序先对两种模型分别进行优化,之后从两种最优模型里面选择误差更小的模型进行预测。上述被选择的模型存在如下假设:
(1)事物发展过程没有跳跃式变化,即事物的发展变化是渐进型的;
(2)所研究系统的结构、功能等基本保持不变。
例如,在一设定年份碳排放量达峰值,则当前至该设定年份止碳排放量是一个增长率减小到0的过程;同理,由于中国GDP数据接近指数增长,因此可以通过自回归移动平均模型和曲线模型进行预测,曲线模型包括修正指数曲线模型、Compertz曲线模型和Logistic曲线模型。
结合图2所示,首先,对于自回归移动平均模型(ARIMA模型),实现步骤如下:
1.1)对历史数据进行平稳性检验(单位根检验),若为非平稳序列,则需要对序列进行差分,得到一个平稳时间序列;其中,差分次数d通常不大于2,因此差分次数d设置为[0:2,1],0表示序列为平稳序列,即不需要进行差分。
1.2)设置ARMA模型的阶数,即设置自回归模型的阶数p和移动平均模型的阶数q的网格范围和间隔为[0-5,1],其中,自回归移动平均模型ARMA(p,q)的数学形式可表示为:
其中,n为观察值数量;称为自回归系数;θ1,θ2,…,θq称为移动平均系数,即模型的待估计的参数;Xt-1,Xt-2,…,Xt-p为Xt的前期观察值,即真值;ut,ut-1,…,ut-q为随机误差项,随机误差项是相互独立的白噪声序列,且服从均值为0、方差为σ2的正态分布。
当q=0时,即自回归模型AR(p);当p=0 时,Xt=ut-θ1ut-1-θ2ut-2-…-θqut-q,即移动平均模型MA(q);自回归模型AR(p) 和移动平均模型MA(q)是自回归移动平均模型ARMA(p,q)的特殊形式。
自回归移动平均模型的阶数用Python语言表示为二重for循环,如下所示:
for p in[0,1,2,3,4,5]:
for q in[0,1,2,3,4,5]:
arma=ARMA(p,q);
逐个对二重for循环中的取值进行拟合,即表示从ARMA(0,0)到ARMA(5,5) 逐个进行下述步骤;
对于AR(p)模型,自回归系数和白噪声方差的矩估计采用Levison递推方法:
对于MA(q)模型,利用自协方差函数与参数的关系:
rt=σ2(θ0θt+θ1θt+1+…+θq-tθq),0≤t≤q
可以得到q+1个方程,解方程组可得到参数的矩估计。
1.4)模型的未知参数检验和模型检验:检验步骤1.3)中的每一个未知参数是否显著非零,删除不显著参数使模型结构最精简;
1.5)利用得到的精简模型进行拟合,获得残差序列;
1.6)根据白噪声检验(Ljung-Box检验)检验步骤1.5)中得到的残差序列是否为白噪声序列;若残差序列为非白噪声序列,意味着残差序列中还残留着相关信息未被提取,这就说明拟合模型不够有效,则不通过检验;若残差序列为白噪声序列,则通过检验。依次对二重for循环中下一取值的自回归移动平均模型进行的拟合,直至二重for循环中所有取值的自回归移动平均模型均被检验;
1.7)模型优化:从通过了步骤1.6)的检验的所有精简模型中找到标准差最小的模型,即最优的ARIMA模型。计算预测标准差:
其次,对于曲线模型,实现步骤如下:
2.1)检验历史数据是否适用于模型:
对于修正指数曲线模型:检验数据的逐期增长率是否接近某一常数b:
对于Compertz曲线模型:检验数据的对数逐期增长率是否接近某一常数b:
对于Logistic曲线模型:检验数据的倒数逐期增长率是否接近某一常数b:
2.2)若历史数据不符合上述三种曲线模型的任一检验结果,则该历史数据不适用曲线模型,仅采用自回归移动平均模型拟合;若历史数据至少适用于上述三种曲线模型中的一种,则采用三和法计算观察值的各部分之和;然后依据其分别适用的曲线模型,根据三和法的计算结果计算相应模型的参数估计值,得到相应的数学模型,并利用模型进行拟合;
其中,三和法的计算过程为把历史数据时间序列的n个观察值等分为三部分,每部分有m期,n=3m,三部分之和分别记为S1、S2、S3;
对于修正指数曲线模型和Logistic曲线模型的参数估计值,计算过程如下:
对于Compertz曲线模型的参数估计值,计算过程如下:
其中,a,b,K为曲线模型的参数估计值。
将a,b,K分别带入相应的数学模型,其中,修正指数曲线的数学模型:Compertz曲线的数学模型:Logistic曲线的数学模型:根据历史数据适用的模型分别依据上述计算过程获得对应的数学模型,依据该数学模型进行拟合。
2.3)根据历史数据适用的三种曲线模型的数量,选择标准差最小的曲线模型为优化后曲线模型;当历史数据仅适用一种曲线模型时,直接选择该曲线模型对应的数学模型为优化后曲线模型。
最后,通过比较优化后ARIMA模型和优化后曲线模型的标准差,选择标准差更小的模型作为未来若干年份的各省份各行业的碳排放量Tij和GDP数据Gij的预测模型。本实施例中,选择优化后Logistic曲线模型为预测模型,未来2021 年-2030年北京运输、仓储、邮电服务行业的碳排放量依次预测为29.6、30.8、 31.9、33.1、34.2、35.3、36.5、37.6、38.8、39.9(百万吨CO2)。
2)根据预测的未来各个年份的特定省份特定行业的碳排放量Tij和GDP数据Gij,计算未来各个年份的各个省份各个行业的碳排放强度Eij;
3)将预测的未来各个年份的特定省份特定行业的碳排放量Tij和GDP数据 Gij中相同省份各个行业的Tij和Gij相加,得到未来各个年份各个省份的碳排放量Ti和GDP数据Gi;
之后根据未来各个年份各个省份的碳排放量Ti和GDP数据Gi,计算各个省份的碳排放强度Ei;
4)将预测的未来各个年份的特定省份特定行业的碳排放量Tij和GDP数据 Gij中相同行业各个省份的Tij和Gij相加,得到未来各个年份各个行业的碳排放量Tj和GDP数据Gj;
之后根据未来各个年份各个行业的碳排放量Tj和GDP数据Gj,计算各个行业的碳排放强度Ej;
5)将预测的未来各个年份的特定省份特定行业的碳排放量Tij和GDP数据 Gij中所有的Tij和Gij相加,得到未来若干年内全国的总碳排放量T和总GDP数据G;
之后根据全国的总碳排放量T和总GDP数据G,计算全国的总碳排放强度 E。
6)以总碳排放强度E为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;以未来各年份中特定行业的碳排放强度Ej为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;以未来各年份中特定省份的碳排放强度Ei为标准,对各年份各行业特定省份的碳排放强度进行可视化评价;可视化评价为根据标准,划分评价项为三类关注程度,包括高度重视、中度重视和低于国家整体碳排放强度,进而根据评价项所指代的省份或行业的关注程度辅助规划,产业调整或政策下发。
实施例公开的基于大数据预测的碳排放强度分级评价方法的具体评价过程包括如下四个方面。
第一方面,结合图3所示,以全国总碳排放强度E为标准,对2005-2030 年各省份的碳排放强度Ei进行可视化评价,不同省份的碳排放强度由低到高排序。以2018年为例,可视化评价图形如图所示。图中虚线表示2018年全国的碳排放强度E为1.16吨CO2/万元;图中,可以看到北京的碳排放强度是最小的,这是因为北京是全国首批开展碳排放交易的试点省市,北京市自2013年正式启动了碳排放权交易市场工作。其中,宁夏自治区的碳排放强度最大(5.17),约为北京市(0.3)的13倍,说明碳排放强度的区域分布严重失衡。
第二方面,结合图4所示,以2005-2030年全国碳排放强度E为标准,对 2005-2030年各行业的碳排放强度Ej进行可视化评价,不同行业的碳排放强度由低到高排序。图中虚线表示某年全国的碳排放强度E为0.6吨CO2/万元。其中行业分类根据国民经济行业分类(GB/T 4754—2017),将国民经济行业分为A-T 共20个门类,分别为A农、林、牧、渔业;B采矿业;C制造业;D电力、热力、燃气及水生产和供应业;E建筑业;F批发和零售业;G交通运输、仓储和邮政业;H住宿和餐饮业;I信息传输、软件和信息技术服务业;J金融业;K房地产业;L租赁和商务服务业;M科学研究和技术服务业;N水利、环境和公共设施管理业;O居民服务、修理和其他服务业;P教育;Q卫生和社会工作;R文化、体育和娱乐业;S公共管理、社会保障和社会组织;T国际组织。
第三方面,结合图5-图6所示,以2005-2030年某个行业的碳排放强度Ej为标准,对2005-2030年某行业各个省份的碳排放强度Eij进行可视化评价,某行业各个省份的碳排放强度由低到高排序。图中虚线表示某年某行业的碳排放强度Ej和全国的碳排放强度E。共有j个行业,每个年份可以得到j个图形。
当Ej>E时,若Eij>Ej,则该省份该行业需要高度重视,标记为红色;若 Ej>Eij>E,则该省份该行业需要中度重视,标记为黄色;若Eij<E,则该省份该行业的碳排放强度低于国家整体碳排放强度,标记为绿色。
当Ej≤E时,令若Nij>2,则该省份该行业需要高度重视,标记为红色;若2≥Nij>1,则该省份该行业需要中度重视,标记为黄色;若Nj≤1,则该省份该行业的碳排放强度低于国家整体碳排放强度,标记为绿色。
第四方面,结合图7-图8所示,以某年某个省份的碳排放强度为标准,对某年某省份各个行业的碳排放强度Eij进行可视化评价,某省份各个行业的碳排放强度由低到高排序。图中虚线表示某年某省份的碳排放强度Ei和全国的碳排放强度E。共有i个省份,每个年份可以得到i个图形。
当Ei>E时,若Eij>Ei,则该省份该行业需要高度重视,标记为红色;若 Ei>Eij>E,则该省份该行业需要中度重视,标记为黄色;若Eij<E,则该省份该行业的碳排放强度低于国家整体碳排放强度,标记为绿色。
当Ei≤E时,令若Nij>2,则该省份该行业需要高度重视,标记为红色;若2≥Nij>1,则该省份该行业需要中度重视,标记为黄色;若Nij≤1,则该省份该行业的碳排放强度低于国家整体碳排放强度,标记为绿色。
附图所示的实施例还提供一种基于大数据预测的碳排放强度分级评价可视化系统,该系统包括处理器,所述处理器用于执行存储在存储器中的以下程序模块,多个程序模块是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述基于大数据预测的碳排放强度分级评价方法在所述基于大数据预测的碳排放强度分级评价可视化系统中的执行过程。
具体的,程序模块包括:预测模块,用于基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据;第一计算模块,用于根据预测的未来若干年份的各省份各行业的碳排放量和GDP 数据计算未来若干年份各省份各行业的碳排放强度,并根据未来若干年份各省份各行业的碳排放强度计算未来若干年份全国的总碳排放量、总GDP和总碳排放强度;第二计算模块,用于根据预测的未来若干年份的同一省份各行业的碳排放量和GDP数据计算未来各年份各省份的碳排放量和GDP数据,并根据未来各年份各省份的碳排放量和GDP数据计算未来各省份的碳排放强度;第三计算模块,用于根据预测的未来若干年份的各省份同一行业的碳排放量和GDP数据计算未来各年份各行业的碳排放量和GDP数据,并根据未来各年份各行业的碳排放量和GDP数据计算未来各行业的碳排放强度;第一评价模块,用于以总碳排放强度为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;第二评价模块,用于以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;第三评价模块,用于以未来各年份中特定省份的碳排放强度为标准,对各年份各行业特定省份的碳排放强度进行可视化评价。
作为一种可增加的实施方式,该可视化系统还包括:图表生成模块,用于生成各评价模块根据设定的标准统计的可视化表格数据和统计图;排序模块,用于对可视化表格数据由低到高排序;显示模块,用于显示生成的可视化表格数据。
如图9和图10所示,统计图包括如某年份的碳排放强度排名及等级的可视化柱状图和各年份的碳排放强度排名及等级变化的可视化折线图;各统计图在显示模块的中操作步骤示意图可如图9和图10所示。例如,通过各省份-年份(如 2023)可以通过可视化图形查看2023年各省份的碳排放强度排名及等级情况;通过各行业-年份(2023)可以通过可视化图形查看2023年各行业的碳排放强度排名及等级情况。通过某行业各省份-年份(2023)-行业(H)可以通过可视化图形查看2023年H行业各省份的碳排放强度排名及等级情况;通过某省份各行业-年份(2023)-省份(河南)可以通过可视化图形查看2023年河南省各行业的碳排放强度排名及等级情况。
该可视化系统平台随着时间的推移自动更新历史碳排放量和GDP值、重新寻找最优预测模型并输出相应预测结果,最后体现在可视化图形中。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种基于大数据预测的碳排放强度分级评价方法,其特征在于,包括:
基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据;
根据预测的未来若干年份的各省份各行业的碳排放量和GDP数据计算未来若干年份各省份各行业的碳排放强度,并根据未来若干年份各省份各行业的碳排放强度计算未来若干年份全国的总碳排放量、总GDP和总碳排放强度;
根据预测的未来若干年份的同一省份各行业的碳排放量和GDP数据计算未来各年份各省份的碳排放量和GDP数据,并根据未来各年份各省份的碳排放量和GDP数据计算未来各省份的碳排放强度;
根据预测的未来若干年份的各省份同一行业的碳排放量和GDP数据计算未来各年份各行业的碳排放量和GDP数据,并根据未来各年份各行业的碳排放量和GDP数据计算未来各行业的碳排放强度;
以总碳排放强度为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;以未来各年份中特定省份的碳排放强度为标准,对各年份各行业特定省份的碳排放强度进行可视化评价。
2.根据权利要求1所述的基于大数据预测的碳排放强度分级评价方法,其特征在于,所述基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据的具体过程为:
分别对自回归移动平均模型和曲线模型进行优化,获得优化后各模型的标准差;
比较优化后各模型标准差的大小,选择标准差最小的模型为预测模型;
输入各省份各行业的历史碳排放量和GDP数据至预测模型,获得未来若干年份的各省份各行业的碳排放量和GDP数据。
3.根据权利要求2所述的基于大数据预测的碳排放强度分级评价方法,其特征在于,所述对自回归移动平均模型进行优化的过程为利用Python语言通过网格搜索法进行优化,具体包括:
对历史碳排放量和GDP数据进行平稳性检验,判断历史碳排放量和GDP数据是否为非平稳时间序列;若为非平稳时间序列,则需要对该非平稳序列进行差分,以获得平稳时间序列;其中,差分次数不超过2次;
设置自回归移动平均模型的阶数的网格范围和间隔,用Python语言表示为二重for循环,逐个对二重for循环中的取值进行拟合;
首先,对二重for循环中位于首位的取值的自回归移动平均模型,使用矩估计法估计自回归移动平均模型中的未知参数的值;
随后,检验估计的每一个未知参数是否显著非零,删除不显著非零参数,以精简自回归移动平均模型的结构,获得精简模型;
其次,利用得到的精简模型进行拟合,获得残差序列;
然后,根据白噪声检验法检验残差序列是否为白噪声序列;若残差序列为白噪声序列,表明进行拟合的精简模型有效、通过检验;否则对二重for循环中下一取值的自回归移动平均模型进行的拟合,直至二重for循环中所有取值的自回归移动平均模型均被检验;
最后,选择通过白噪声检验法检验的所有精简模型中标准差最小的模型为优化后的自回归移动平均模型。
4.根据权利要求2所述的基于大数据预测的碳排放强度分级评价方法,其特征在于,所述曲线模型包括三种,分别为修正指数曲线模型、Compertz曲线模型和Logistic曲线模型;
对各曲线模型进行优化的过程包括:
检验历史碳排放量和GDP数据是否适用于各模型;
若历史碳排放量和GDP数据不符合上述三种曲线模型的任一检验结果,则该历史碳排放量和GDP数据不适用曲线模型,仅采用自回归移动平均模型拟合;若历史碳排放量和GDP数据至少适用于上述三种曲线模型中的一种,则采用三和法计算观察值的各部分之和;然后依据其分别适用的曲线模型,根据三和法的计算结果计算相应模型的参数估计值,得到相应的数学模型,并利用模型进行拟合;
根据历史碳排放量和GDP数据适用的三种曲线模型的数量,选择标准差最小的曲线模型为优化后曲线模型;当历史数据仅适用一种曲线模型时,直接选择该曲线模型对应的数学模型为优化后曲线模型。
7.根据权利要求1所述的基于大数据预测的碳排放强度分级评价方法,其特征在于,所述以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价包括:
定义总碳排放强度为E,未来各年份中特定行业的碳排放强度为Ej,各年份各省份特定行业的碳排放强度Eij,则:
当Ej>E时,若Eij>Ej,该省份该特定行业需要高度重视;若Ej>Eij>E,该省份该特定行业需要中度重视;若Eij<E,则该省份该特定行业的碳排放强度低于国家整体碳排放强度;
9.一种基于大数据预测的碳排放强度分级评价可视化系统,其特征在于,包括处理器,所述处理器用于执行存储在存储器中的以下程序模块;
预测模块,用于基于各省份各行业的历史碳排放量和GDP数据预测未来若干年份的各省份各行业的碳排放量和GDP数据;
第一计算模块,用于根据预测的未来若干年份的各省份各行业的碳排放量和GDP数据计算未来若干年份各省份各行业的碳排放强度,并根据未来若干年份各省份各行业的碳排放强度计算未来若干年份全国的总碳排放量、总GDP和总碳排放强度;
第二计算模块,用于根据预测的未来若干年份的同一省份各行业的碳排放量和GDP数据计算未来各年份各省份的碳排放量和GDP数据,并根据未来各年份各省份的碳排放量和GDP数据计算未来各省份的碳排放强度;
第三计算模块,用于根据预测的未来若干年份的各省份同一行业的碳排放量和GDP数据计算未来各年份各行业的碳排放量和GDP数据,并根据未来各年份各行业的碳排放量和GDP数据计算未来各行业的碳排放强度;
第一评价模块,用于以总碳排放强度为标准,对未来各年份的各省份和各行业的碳排放强度进行可视化评价;
第二评价模块,用于以未来各年份中特定行业的碳排放强度为标准,对各年份各省份特定行业的碳排放强度进行可视化评价;
第三评价模块,用于以未来各年份中特定省份的碳排放强度为标准,对各年份各行业特定省份的碳排放强度进行可视化评价。
10.根据权利要求9所述的基于大数据预测的碳排放强度分级评价可视化系统,其特征在于,还包括:
图表生成模块,用于生成各评价模块根据设定的标准统计的可视化表格数据和统计图;
排序模块,用于对可视化表格数据由低到高排序;
显示模块,用于显示生成的可视化表格数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381033.1A CN114548475A (zh) | 2021-11-20 | 2021-11-20 | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381033.1A CN114548475A (zh) | 2021-11-20 | 2021-11-20 | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548475A true CN114548475A (zh) | 2022-05-27 |
Family
ID=81668864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381033.1A Pending CN114548475A (zh) | 2021-11-20 | 2021-11-20 | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548475A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707774A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN116993854A (zh) * | 2023-04-27 | 2023-11-03 | 国网湖北省电力有限公司宜昌供电公司 | 一种碳排放量大数据可视化监控方法 |
-
2021
- 2021-11-20 CN CN202111381033.1A patent/CN114548475A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707774A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN114707774B (zh) * | 2022-06-07 | 2022-08-26 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN116993854A (zh) * | 2023-04-27 | 2023-11-03 | 国网湖北省电力有限公司宜昌供电公司 | 一种碳排放量大数据可视化监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN114548475A (zh) | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 | |
CN106598917B (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
CN110544180A (zh) | 一种基于能耗预测和分析诊断的建筑节能系统 | |
Zhao et al. | A Bayesian networks structure learning and reasoning-based byproduct gas scheduling in steel industry | |
CN106097055A (zh) | 个性化定制需求下企业订单处理方法 | |
CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
CN106485360A (zh) | 基于全局夜光遥感的局部社会经济指标预测方法及系统 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN113592144A (zh) | 一种中长期径流概率预报方法及系统 | |
CN111507507B (zh) | 基于大数据的月用水量预测方法 | |
Zhou et al. | Using fractional discrete Verhulst model to forecast Fujian's electricity consumption in China | |
Wen et al. | A novel combined model based on echo state network optimized by whale optimization algorithm for blast furnace gas prediction | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
Ding et al. | [Retracted] Low Carbon Economy Assessment in China Using the Super‐SBM Model | |
Liu | A grey theory-based economic prediction method of port and ocean engineering | |
CN115994612A (zh) | 基于业扩规划的配电网运行优化方法、装置及存储介质 | |
Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed | |
CN108364136B (zh) | 一种基于证据推理的水资源短缺风险分析方法及系统 | |
CN109190830B (zh) | 基于经验分解和组合预测的能源需求预测方法 | |
Ma et al. | Optimal evaluation index system and benefit evaluation model for agricultural informatization in Beijing | |
Sun et al. | Fuzzy comprehensive model of manufacturing industry transfer risk based on economic big data analysis | |
CN115660312B (zh) | 参数调整方法、装置、电子设备及存储介质 | |
Sun et al. | Definition and forecasting of GGDP in the landscape of climate issues |
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 |