CN114662282A - 多因素碳排放核算方法和装置 - Google Patents

多因素碳排放核算方法和装置 Download PDF

Info

Publication number
CN114662282A
CN114662282A CN202210187457.2A CN202210187457A CN114662282A CN 114662282 A CN114662282 A CN 114662282A CN 202210187457 A CN202210187457 A CN 202210187457A CN 114662282 A CN114662282 A CN 114662282A
Authority
CN
China
Prior art keywords
carbon emission
factor
model
driving
training
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
Application number
CN202210187457.2A
Other languages
English (en)
Inventor
邓忠易
陆璐
冼允廷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210187457.2A priority Critical patent/CN114662282A/zh
Publication of CN114662282A publication Critical patent/CN114662282A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多因素碳排放核算方法，包括：选取影响碳排放量的多个驱动因素；对每个驱动因素进行独立建模，作为集成学习的基模型，对每个驱动因素的基模型进行集成学习，得到多因素线性加权表达式；根据多因素线性加权表达式，量化各个驱动因素对碳排放量的贡献程度。本方法更好衡量了每个地区的经济、文化、发展程度等内在差异而导致对碳排放量的不同影响程度；“独立建模‑集成学习”的研究方法摆脱了一般碳排放因素分解过程需要在开始阶段构造严谨的恒等式的局限，既缓解了传统多变量回归方法中存在的多重共线性干扰，又扩展了传统因素分解法的研究对象范围，提供了一种更加灵活的方式对碳排放进行驱动因素研究与核算。

Description

多因素碳排放核算方法和装置
技术领域
本发明涉及“碳达峰-碳中和”(以下简称“双碳”)研究领域，尤其涉及一种基于地理空间加权和集成学习的多因素碳排放核算方法。
背景技术
实现“双碳”目标的根本在于减少碳排放，要做到碳减排，首先要开展的工作是遵循科学严谨的计量方法对碳排放量进行计算。目前的碳排放核算方式主要分为直接法和间接法。直接法主要以IPCC指南中碳排放源及其排放系数的缺省值作为国家或区域边界的碳排放量计算依据。间接法则是通过将一个区域的碳排放总量分解为该区域的多个影响碳排放量的因素，并量化各因素对碳排放总量的贡献程度。间接法作为一种合理考量区域人文、经济及发展程度的综合研究方法，更符合复杂的基本国情，为制定碳减排路线、实现“双碳”目标提供了重要的科学依据。
现有的碳排放因素分解的思路是在碳排放量与多个驱动因素之间构造恒等式，通过参数拟合生成回归模型。常用的恒等式包括Kaya恒等式和STIRPAT恒等式，其一般内容是把碳排放量分解成若干个因素的和或乘积(如经济、环境、技术、人口等关键指标)。常用的指数分解法包括对数平均迪氏指数分解法(Logarithmic Mean Divisia Index,LMDI)，能够将研究对象进行无残差分解。传统因素分解法在恒等式的基础上进行对数转换和指数分解，量化不同因素对碳排放量的影响程度，进而识别出关键的驱动因素。传统因素分解法引起形式简洁、解释合理的特点，在相关研究领域中得到广泛应用。然而，目前“双碳”研究领域的具体应用中存在两点不足：其一是没有反应空间效应。对于国土面积较大的国家，由于幅员辽阔，各地区人文、经济等发展程度存在差异，导致相同的碳排放因素在不同地区对碳排放的影响程度也存在差异，即空间异质性。而目前的研究大多直接假定面板数据的横截面单元是同质的，即地区或企业之间的经济行为在空间上没有差异，与现实情况不符。其二是研究对象的扩展存在局限性。恒等式中的每个驱动因素被赋予特定含义，如人均GDP、单位能耗等，需要驱动因素之间具备较强的逻辑关联，难以灵活的扩展研究对象。
为了解决上面的挑战，近年来的研究尝试引入空间统计分析，利用空间权重矩阵来反映地理空间上的异质性，例如存在发达地区和落后地区、核心和边缘地区等经济地理结构。地理加权回归(Geographically weighted regression,GWR)模型通过空间权重矩阵将地理位置信息引入为回归参数，扩展了普通线性回归模型，利用局部拟合的方式构建驱动因素与碳排放总量之间的关联关系，使特定区域的回归参数能够随着空间上局域地理位置改变而变化。尽管GWR模型有效地处理了空间异质性问题，但其对多个自变量的局部拟合采用相同带宽，无法反映不同因素在回归过程中的差异性。针对GWR的不足，多尺度地理加权回归(Multiscale Geographically Weighted Regression,MGWR)模型允许每个自变量拥有不同的空间平滑水平，使每个变量有自己的统计量标准，降低估计偏差，回归结果更可信。每个自变量的带宽可以反映各自空间过程的空间作用尺度，多带宽方法产生了更接近真实和有用的空间过程模型。
然而，在多变量回归模型的拟合过程中不可避免地存在多重共线性的问题，即多个自变量中如果存在高度线性相关的变量，会导致模型的回归效果失真。此外，无论是GWR还是MGWR，都只考虑了碳排放驱动因素的空间异质性，并没有直观地反映出每个驱动因素对碳排放总量的贡献度。
发明内容
本发明的目的在于提供多因素碳排放核算方法和装置。
本发明所要解决的技术问题是：在传统的碳排放量核算及驱动因素研究方法中，首先需要在碳排放量和多个驱动因素之间构造恒等式(如Kaya、STIRPAT等)，将碳排放量表示为多个驱动因素连乘的形式，然后将研究时间点和基准时间点带入公式并相减，得到碳排放量增量的表达式，对增量表达式进行对数变换，使原本的因素相乘转换为因素的对数相加形式；对数变换后的公式反映了碳排放量的变化幅度与驱动因素变化幅度的关系，最后通过指数分解(如LMDI、GDIM等)计算各个因素导致的碳排放总量的变化。该方法主要存在两种问题：首先，在构造恒等式时，碳排放量的变化被分解成若干个因素的乘积，每个因素被赋予的特定经济含义(如人均GDP、单位能耗等)依赖于彼此间的逻辑关联，难以灵活的扩展研究对象。其次，基于指数分解的碳排放核算方法直接假定相同因素在不同地区或企业之间对碳排放的影响没有差异，而实际上地理空间区域缺乏均质性，存在发达地区和落后地区、核心和边缘地区等经济地理结构，假定区域之间的碳排放驱动因素在空间上具有异质性的差异更符合现实。
本发明面向“双碳”研究领域，设计实现了一种基于空间地理加权和集成学习的碳排放核算方法。该方法采用空间地理加权的方式对预定义的多个碳排放驱动因素单独建模，在地理加权回归模型(GWR模型)的基础上构建逻辑回归模型(LR模型)，通过集成学习的方式得到最终的多因素线性加权表达式。其中，GWR模型通过引入空间权重矩阵来反映碳排放驱动因素的空间异质性，使回归过程更接近真实情况；其次，对每个研究变量进行单独建模，既缓解了多变量建模存在的多重共线性干扰，也提升了回归模型反映研究变量与碳排放之间关联关系的能力。最后，将GWR模型作为基模型，通过逻辑回归得到全部基模型的线性加权表达式，将每个基模型的权值作为研究变量对碳排放量的影响程度，直观的量化每个驱动因素对碳排放量的贡献，扩展碳排放驱动因素的研究范围，提升碳排放因素分解方法的灵活性。
针对上述目的，本发明采用以下技术方案：
一种多因素碳排放核算方法，包括：
选取影响碳排放量的多个驱动因素；
对每个驱动因素进行独立建模，作为集成学习的基模型，对每个驱动因素的基模型进行集成学习，得到多因素线性加权表达式；
根据多因素线性加权表达式，量化各个驱动因素对碳排放量的贡献程度。
作为优先的实施方式，在建模过程中，将驱动因素作为研究变量，遍历自定义的研究变量，以当前研究变量作为自变量，碳排放总量作为因变量。
作为优先的实施方式，对每个驱动因素单独构建地理加权回归模型，作为集成学习的基模型，并根据每个驱动因素选取最佳的局部拟合带宽，对碳排放量和当前驱动因素进行不同地理空间上的回归。
作为优先的实施方式，对每个基模型进行k折交叉验证，生成单维度的特征，并组合成集成学习阶段所需的训练数据集和测试数据集。
作为优先的实施方式，进入集成学习阶段，构建逻辑回归模型，作为集成学习的组合模型，并使用由所有基模型的生成特征组合成的集成学习训练数据集和测试数据集进行训练和验证；组合模型训练完成后，得到多因素线性加权表达式，将其中的自变量系数作为对应碳排放驱动因素在碳排放总量中的贡献度量化值。
作为优先的实施方式，进行k折交叉验证包括：
从平均分为k份的训练集中取1份子集作为验证集，其余k-1份子集作为本轮训练集，对模型进行训练；
训练完成后，先对验证集进行一次预测，再对测试集进行一次预测，依次循环k轮；
此时经过k折交叉验证得到k份验证集的预测值和k份测试集的预测值，将当前基模型的k份验证集预测值纵向组合，作为集成学习训练集中的一个特征维度，其样本数量与原训练集保持一致；
将当前基模型的k份测试集预测值取均值，作为集成学习的测试集中的一个特征维度，其样本数量与原测试集保持一致，k折交叉验证过程结束。
作为优先的实施方式，构建逻辑回归模型的自变量数量与研究变量数量保持一致；数据集中的每个特征维度均由代表不同驱动因素的基模型生成，预测对象为真实的碳排放总量，则令逻辑回归模型的自变量与驱动因素一一对应，最终学习得到全部基模型的线性加权表达式，将表达式中的自变量系数作为研究变量在碳排放总量中的权重，即可量化每个驱动因素对碳排放总量的影响程度。
一种多因素碳排放核算方法，包括：
多因素独立建模阶段，包括对单个碳排放驱动因素构建独立的地理加权回归模型，作为基模型，还包括对基模型进行交叉验证生成集成学习数据集的过程；
集成学习阶段，包括对多个基模型构建逻辑回归模型作为组合模型，并学习多个基模型的线性加权表达式的过程，还包括将线性加权表达式中自变量系数作为对应碳排放驱动因素对碳排放总量的贡献度量化值。
一种用于执行上述方法的多因素碳排放核算装置。
一种生成碳排放驱动因素对碳排放量的贡献度量化值的方法，包括：
提供上述装置；
提供影响碳排放量的多个驱动因素；
所述装置根据上述方法生成各个驱动因素对碳排放总量的贡献度量化值。
本发明与现有的技术相比，具有如下优点和效果：
1、本发明针对基于指数分解的传统碳排放驱动因素研究方法过分依赖于构造恒等式的局限性，提出“独立建模-集成学习”的研究方法，缓解了多变量建模存在的多重共线性干扰，提升了回归模型反映研究变量与碳排放之间关联关系的能力，扩展了因素分解研究变量的范围。增强了碳排放驱动因素分解方法的灵活性。
2、本发明针对传统碳排放核算方法直接假定相同因素在不同地区之间对碳排放的影响没有差异的不合理性，采用空间地理加权的方式对碳排放驱动因素建模，通过引入空间权重矩阵来反映碳排放驱动因素的空间异质性，使回归过程更接近真实情况。
3、本发明提出基于集成学习的单因素对碳排放总量贡献度量化方法，选取GWR模型作为基模型，选取LR模型作为组合模型，得到全部基模型的线性加权表达式，并将基模型的权值作为对应研究变量对碳排放量的影响程度，直观的量化了每个因素对碳排放总量的贡献，对碳排放驱动因素的相关研究具有重要意义。
4、本发明提出的新型碳排放核算方法中，引入GWR模型对碳排放驱动因素的空间异质性进行了考量，更好衡量了每个地区的经济、文化、发展程度等内在差异而导致对碳排放量的不同影响程度；“独立建模-集成学习”的研究方法摆脱了一般碳排放因素分解过程需要在开始阶段构造严谨的恒等式的局限，既缓解了传统多变量回归方法中存在的多重共线性干扰，又扩展了传统因素分解法的研究对象范围，提供了一种更加灵活的方式对碳排放进行驱动因素研究与核算。
附图说明
图1是基于地理加权回归和集成学习的碳排放核算模型结构图；
图2是基于地理加权回归和集成学习的碳排放核算方法工作流程图；
图3是碳排放核算模型的交叉验证训练过程示意图。
具体实施方式
为便于更好地理解本发明的目的、结构、特征以及功效等，现结合附图和具体实施方式对本发明作进一步说明。应注意的是，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。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本公开提供一种基于地理加权回归和集成学习的多因素碳排放核算方法。通过“独立建模-集成学习”的研究方法，将碳排放量分解为多个驱动因素，并通过集成学习的方式得到最终的多因素线性加权表达式，量化各个驱动因素对碳排放量的贡献程度。首先，采用空间地理加权的方式对预定义的多个碳排放驱动因素独立建模，根据驱动因素选取最佳带宽，缓解多变量建模存在的多重共线性干扰，同时提升回归模型反映研究变量与碳排放之间关联关系的能力；其次，GWR模型通过引入空间权重矩阵来反映碳排放驱动因素的空间异质性，通过局部拟合的方式使回归过程更接近真实情况；最后，对每个驱动因素的基模型进行集成学习，得到碳排放的多因素线性加权表达式，相较于一般碳排放因素分解研究方法需要在开始阶段构造严谨的恒等式，摆脱了多驱动因素之间保持强逻辑关联的限制。
本公开的方法首先根据研究内容及方向，预定义n个影响碳排放量的驱动因素，作为研究变量，如区域人均GDP、区域生产总值、区域第三产业占比等，其中研究变量之间无需强调其内在逻辑关联，即无需在研究的开始阶段构造碳排放量与研究变量之间的恒等式。
提供数据集，将数据集按一定比例划分为训练集和测试集，划分比例通常采用8:2或者7:3。继续将训练集平均划分为k份，通常令k＝5。对于集成学习中的每个基模型，划分好的训练集和测试集将作为其k折交叉验证训练过程的数据来源。
遍历预定义的n个研究变量，对每个研究变量单独构建GWR模型，以当前的研究变量作为自变量，碳排放量作为因变量，根据研究变量选择局部拟合的最佳带宽，进行k折交叉验证训练。
对每个研究变量的GWR模型的k折交叉验证过程如下：从均分k份的训练集中取1份子集作为验证集，其余k-1份子集作为本轮训练集，对模型进行训练。训练完成后，先对验证集进行一次预测，再对测试集进行一次预测。依次循环k轮。
当前研究变量的GWR模型训练完成后，作为集成学习中的一个基模型。此时经过k折交叉验证得到k份验证集的预测值和k份测试集的预测值。
将当前基模型的k份验证集预测值纵向组合，作为集成学习训练集中的一个特征维度，其样本数量与原训练集保持一致。将当前基模型的k份测试集预测值取均值，作为集成学习的测试集中的一个特征维度，其样本数量与原测试集保持一致。
n个碳排放驱动因素的基模型全部训练完成后，此时已经得到集成学习的全部训练集和测试集，其样本数量与原训练集和原测试集保持一致；数据集中的特征维度与预定义的驱动因素数量保持一致。
在集成学习训练集上构建LR模型，作为组合模型，得到所有基模型输出的线性加权表达式，并在集成学习测试集上对组合模型进行验证。如有需要，也可选择其他的线性回归模型作为组合模型，如决策树等。
将线性加权表达式中的自变量系数，各个自变量的权重作为相应碳排放驱动因素对碳排放贡献的量化值。
本公开还提供一种基于地理加权回归和集成学习的多因素碳排放核算装置，用于执行上述的方法。该装置可以是计算机。通过该装置，在提供影响碳排放的多个驱动因素的情况下，最终可以获取各个驱动因素对碳排放总量的贡献度量化值。
以上详细说明仅为本发明之较佳实施例的说明，非因此局限本发明之专利范围，所以，凡运用本创作内容所为之等效技术变化，均包含于本创作之专利范围内。

Claims (10)

1.一种多因素碳排放核算方法，其特征在于，包括：
选取影响碳排放量的多个驱动因素；
对每个驱动因素进行独立建模，作为集成学习的基模型，对每个驱动因素的基模型进行集成学习，得到多因素线性加权表达式；
根据多因素线性加权表达式，量化各个驱动因素对碳排放量的贡献程度。
2.如权利要求1所述的方法，其特征在于，在建模过程中，将驱动因素作为研究变量，遍历自定义的研究变量，以当前研究变量作为自变量，碳排放总量作为因变量。
3.如权利要求2所述的方法，其特征在于，对每个驱动因素单独构建地理加权回归模型，作为集成学习的基模型，并根据每个驱动因素选取最佳的局部拟合带宽，对碳排放量和当前驱动因素进行不同地理空间上的回归。
4.如权利要求3所述的方法，其特征在于，对每个基模型进行k折交叉验证，生成单维度的特征，并组合成集成学习阶段所需的训练数据集和测试数据集。
5.如权利要求4所述的方法，其特征在于，进入集成学习阶段，构建逻辑回归模型，作为集成学习的组合模型，并使用由所有基模型的生成特征组合成的集成学习训练数据集和测试数据集进行训练和验证；组合模型训练完成后，得到多因素线性加权表达式，将其中的自变量系数作为对应碳排放驱动因素在碳排放总量中的贡献度量化值。
6.如权利要求4所述的方法，其特征在于，进行k折交叉验证包括：
从平均分为k份的训练集中取1份子集作为验证集，其余k-1份子集作为本轮训练集，对模型进行训练；
训练完成后，先对验证集进行一次预测，再对测试集进行一次预测，依次循环k轮；
此时经过k折交叉验证得到k份验证集的预测值和k份测试集的预测值，将当前基模型的k份验证集预测值纵向组合，作为集成学习训练集中的一个特征维度，其样本数量与原训练集保持一致；
将当前基模型的k份测试集预测值取均值，作为集成学习的测试集中的一个特征维度，其样本数量与原测试集保持一致，k折交叉验证过程结束。
7.如权利要求4所述的方法，其特征在于，构建逻辑回归模型的自变量数量与研究变量数量保持一致；数据集中的每个特征维度均由代表不同驱动因素的基模型生成，预测对象为真实的碳排放总量，则令逻辑回归模型的自变量与驱动因素一一对应，最终学习得到全部基模型的线性加权表达式，将表达式中的自变量系数作为研究变量在碳排放总量中的权重，即可量化每个驱动因素对碳排放总量的影响程度。
8.一种多因素碳排放核算方法，其特征在于，包括：
多因素独立建模阶段，包括对单个碳排放驱动因素构建独立的地理加权回归模型，作为基模型，还包括对基模型进行交叉验证生成集成学习数据集的过程；
集成学习阶段，包括对多个基模型构建逻辑回归模型作为组合模型，并学习多个基模型的线性加权表达式的过程，还包括将线性加权表达式中自变量系数作为对应碳排放驱动因素对碳排放总量的贡献度量化值。
9.一种用于执行权利要求1-8任意一项所述的方法的多因素碳排放核算装置。
10.一种生成碳排放驱动因素对碳排放量的贡献度量化值的方法，其特征在于，包括：
提供权利要求9所述的装置；
提供影响碳排放量的多个驱动因素；
所述装置根据权利要求1-8任意一项所述的方法生成各个驱动因素对碳排放总量的贡献度量化值。
CN202210187457.2A 2022-02-28 2022-02-28 多因素碳排放核算方法和装置 Pending CN114662282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210187457.2A CN114662282A (zh) 2022-02-28 2022-02-28 多因素碳排放核算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210187457.2A CN114662282A (zh) 2022-02-28 2022-02-28 多因素碳排放核算方法和装置

Publications (1)

Publication Number Publication Date
CN114662282A true CN114662282A (zh) 2022-06-24

Family

ID=82028183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210187457.2A Pending CN114662282A (zh) 2022-02-28 2022-02-28 多因素碳排放核算方法和装置

Country Status (1)

Country Link
CN (1) CN114662282A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187621A (zh) * 2023-02-24 2023-05-30 深圳市伟欣诚科技有限公司 一种碳排放监测方法及装置
CN116229607A (zh) * 2023-05-09 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种机动车行驶碳排放的预测方法、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187621A (zh) * 2023-02-24 2023-05-30 深圳市伟欣诚科技有限公司 一种碳排放监测方法及装置
CN116187621B (zh) * 2023-02-24 2024-03-29 深圳市汇高材料科技有限公司 一种碳排放监测方法及装置
CN116229607A (zh) * 2023-05-09 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种机动车行驶碳排放的预测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Wu et al. The impact of urbanization on carbon emissions in developing countries: a Chinese study based on the U-Kaya method
Tian et al. Identifying informative energy data in Bayesian calibration of building energy models
Szpiro et al. Predicting intra‐urban variation in air pollution concentrations with complex spatio‐temporal dependencies
Wu et al. Reprint of: The impact of urbanization on carbon emissions in developing countries: A Chinese study based on the U-Kaya method
CN114662282A (zh) 多因素碳排放核算方法和装置
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
Benedetti et al. Modeling the impact of technological innovation on environmental efficiency: a spatial panel data approach
CN111553465A (zh) 一种基于vmd-gru网络的公共建筑冷负荷预测方法
CN107122869A (zh) 网络态势的分析方法和装置
Sasaki et al. Unconditional quantile regression with high‐dimensional data
Wang et al. RETRACTED ARTICLE: Application of machine learning-based BIM in green public building design
Yao et al. Which model is more efficient in carbon emission prediction research? A comparative study of deep learning models, machine learning models, and econometric models
Yang et al. Integral matching-based nonlinear grey Bernoulli model for forecasting the coal consumption in China
Bald et al. spatialMaxent: Adapting species distribution modeling to spatial data
Xu et al. Prediction of air quality based on hybrid grey double exponential smoothing model
Jia Daylight prediction using Gan: General workflow, tool development and case study on Manhattan, New York
Jonko et al. Towards Bayesian hierarchical inference of equilibrium climate sensitivity from a combination of CMIP5 climate models and observational data
Song et al. Calibration of agent-based model using reinforcement learning
CN116316600A (zh) 基于季节分型的面向风电功率日前预测自适应滤波方法
CN113486422B (zh) 建筑能耗模型参数校准方法、装置、设备及存储介质
CN116822566A (zh) 一种短期光伏发电功率预测方法
Ding et al. A novel multivariable MGM (1, m) direct prediction model and its optimization
Goldstein Bayes linear analysis for complex physical systems modeled by computer simulators
CN113449642A (zh) 基于多尺度特征提取和深度学习的pm2.5浓度预测方法及系统
CN118551669B (zh) 基于气候预测的建筑围护结构多目标节能优化方法、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