CN114781272A - 碳排放量预测方法、装置、设备及存储介质 - Google Patents
碳排放量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114781272A CN114781272A CN202210510895.8A CN202210510895A CN114781272A CN 114781272 A CN114781272 A CN 114781272A CN 202210510895 A CN202210510895 A CN 202210510895A CN 114781272 A CN114781272 A CN 114781272A
- Authority
- CN
- China
- Prior art keywords
- emission
- carbon emission
- prediction
- carbon
- data
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能，提供一种碳排放量预测方法、装置、设备及存储介质。该方法从预设历史碳排放量影响因子中筛选目标影响因子，获取多个第一时刻的实际排放量及与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，基于碳排放量预测网络对输入数据及实时碳排放量进行预测，得到目标预测排放量，根据实际排放量及目标预测排放量调整碳排放量预测网络，得到碳排放量预测模型，基于碳排放量预测模型对影响数据及排放量进行预测，得到预测时刻的碳排放总量。此外，本发明还涉及区块链技术，所述碳排放总量可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种碳排放量预测方法、装置、设备及存储介质。
背景技术
在目前的碳排放量预测方案中，通常是基于机器学习模型对碳排放时间序列进行预测，然而，发明人意识到，由于碳排放的复杂性，导致目前的方案无法准确的提取出碳排放增长规律，造成无法准确的预测出未来时刻的碳排放总量。
发明内容
鉴于以上内容，有必要提供一种碳排放量预测方法、装置、设备及存储介质，能够准确的预测出未来时刻的碳排放总量。
一方面，本发明提出一种碳排放量预测方法，所述碳排放量预测方法包括：
从预设历史碳排放量影响因子中筛选目标影响因子；
获取碳排放量预测网络，并获取多个第一时刻的实际排放量；
获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻；
基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量；
根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型；
当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量；
基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
根据本发明优选实施例，所述从预设历史碳排放量影响因子中筛选目标影响因子包括：
获取多个预设时刻的时刻碳排放量，并获取每个预设历史碳排放量影响因子在所述多个预设时刻的因子信息；
基于所述时刻碳排放量及所述因子信息计算每个预设历史碳排放量影响因子的排放量回归值，所述排放量回归值的计算公式为：
计算所述排放量回归值在所述多个预设时刻的收缩程度；
将所述收缩程度小于预设程度阈值的预设历史碳排放量影响因子确定为初筛影响因子；
计算每个初筛影响因子的因子重要度；
将所述因子重要度大于预设重要度阈值的初筛影响因子确定为所述目标影响因子。
根据本发明优选实施例，所述因子重要度的计算公式为：
根据所述时刻碳排放量及所述因子信息构建每个初筛影响因子的因子表征矩阵；
根据所述因子表征矩阵计算每个初筛影响因子与所述时刻碳排放量的协方差矩阵；
计算所述协方差矩阵的特征向量及特征值；
根据所述特征向量及所述特征值计算所述因子重要度，所述因子重要度的计算公式为：
其中，P表征所述因子重要度，m表征所述特征向量的数量，a1k表征第k个特征向量，Yk表征所述第k个特征值。
根据本发明优选实施例，所述碳排放量预测网络包括时序预测网络及预设灰色网络，所述基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量包括：
基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量；
基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量；
从所述碳排放量预测网络中获取所述时序预测网络的第一预设权值及所述预设灰色网络的第二预设权值；
基于所述第一预设权值及所述第二预设权值对所述第一预测排放量及所述第二预测排放量进行加权和运算，得到所述目标预测排放量。
根据本发明优选实施例，所述时序预测网络包括遗忘门层、输入门层及输出门层，所述基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量包括：
根据所述多个第一时刻依照从小至大的顺序对所述输入数据进行排序，得到数据队列，所述数据队列包括第一数据及第二数据，所述第一数据所对应的第一时刻小于所述第二数据所对应的第一时刻；
获取所述时序预测网络对所述第一数据的预测值及记忆信息；
基于所述遗忘门层对所述预测值及所述第二数据进行遗忘处理，得到遗忘数据；
基于所述输入门层对所述预测值及所述第二数据进行融合处理，得到更新数据，并基于所述输入门层计算所述预测值及所述第二数据，得到更新权值，所述更新权值的计算公式为：it＝σ(Wi·[ht-1,Xt]+bi)，其中，it是指所述更新权值，σ()表征归一化函数，Wi表征所述输入门层的预设矩阵，bi表征所述输入门层的预设偏置值，ht-1表征所述预测值，Xt表征所述第二数据；
根据所述遗忘数据、所述第一数据的记忆信息、所述更新数据及所述更新权值计算所述第二数据的记忆信息；
基于所述输出门层对所述记忆信息、所述预测值及所述第二数据进行融合处理，得到所述第一预测排放量。
根据本发明优选实施例，所述基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量包括：
从所述预设灰色网络中获取配置常数及配置承载力；
调用所述预设灰色网络中的增长变化率公式对所述实时碳排放量进行计算，得到每个第一时刻的碳排放量变化率；
基于所述配置常数、所述配置承载力及所述碳排放量变化率计算所述第二预测排放量，所述第二预测排放量的计算公式为：
x(0)(k)+az(1)(k)＝bz(1)(k)ln(z(1)(k))；
其中，x(0)(k)表征第k个第一时刻的碳排放量变化率，z(1)(k)表征所述第k个第一时刻的第二预测排放量，c表征所述配置常数，k0表征所述配置承载力。
根据本发明优选实施例，所述根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型包括：
根据所述实际排放量及所述目标预测排放量计算所述碳排放量预测网络的网络损失值；
基于所述网络损失值对所述碳排放量预测网络中的设定参数进行调整，直至所述网络损失值不再降低，或者所述网络损失值小于或者等于预设损失阈值，得到所述碳排放量预测模型。
另一方面，本发明还提出一种碳排放量预测装置，所述碳排放量预测装置包括：
筛选单元，用于从预设历史碳排放量影响因子中筛选目标影响因子；
获取单元，用于获取碳排放量预测网络，并获取多个第一时刻的实际排放量；
所述获取单元，还用于获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻；
预测单元，用于基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量；
调整单元，用于根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型；
所述获取单元，还用于当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量；
所述预测单元，还用于基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述碳排放量预测方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述碳排放量预测方法。
由以上技术方案可以看出，本申请通过对所述预设历史碳排放量影响因子进行筛选，能够实现对所述预设历史碳排放量影响因子的降维处理，从而能够提高预测效率，同时，能够保留所述预设历史碳排放量影响因子中的目标影响因子，能够确保所述碳排放量预测模型的稳定性。本申请还综合了所述碳排放量预测网络中预设灰色网络的数理统计特性及所述碳排放量预测网络中时序预测网络的时序特性的优点，能够学习到碳排放量之间深层次的依赖关系，从而提高所述碳排放量预测模型的预测能力，进而提高所述碳排放总量的预测准确性。
附图说明
图1是本发明碳排放量预测方法的较佳实施例的流程图。
图2是本发明碳排放量预测装置的较佳实施例的功能模块图。
图3是本发明实现碳排放量预测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明碳排放量预测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述碳排放量预测方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述碳排放量预测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，从预设历史碳排放量影响因子中筛选目标影响因子。
在本发明的至少一个实施例中，所述预设历史碳排放量影响因子可以包括人口总数、GDP等影响因子。
所述目标影响因子是指对碳排放量影响较大的预设历史碳排放量影响因子。
在本发明的至少一个实施例中，所述电子设备从预设历史碳排放量影响因子中筛选目标影响因子包括：
获取多个预设时刻的时刻碳排放量，并获取每个预设历史碳排放量影响因子在所述多个预设时刻的因子信息；
基于所述时刻碳排放量及所述因子信息计算每个预设历史碳排放量影响因子的排放量回归值，所述排放量回归值的计算公式为：
计算所述排放量回归值在所述多个预设时刻的收缩程度；
将所述收缩程度小于预设程度阈值的预设历史碳排放量影响因子确定为初筛影响因子；
计算每个初筛影响因子的因子重要度；
将所述因子重要度大于预设重要度阈值的初筛影响因子确定为所述目标影响因子。
其中，所述多个预设时刻可以包括XX年01月、XX年02月等。
所述预设程度阈值及所述预设重要度阈值可以根据实际需求设定。
通过所述时刻碳排放量及所述因子信息能够准确的计算出所述排放量回归值，进而将小于预设程度阈值的预设历史碳排放量影响因子确定为初筛影响因子，能够从所述预设历史碳排放量影响因子中剔除掉无法收缩的因子，提高所述初筛影响因子的收缩能力，进而通过分析每个初筛影响因子的因子重要度，能够筛选出对碳排放量影响较大的初筛影响因子作为所述目标影响因子，实现了对所述预设历史碳排放量影响因子的降维处理。
具体地，所述因子重要度的计算公式为：
根据所述时刻碳排放量及所述因子信息构建每个初筛影响因子的因子表征矩阵；
根据所述因子表征矩阵计算每个初筛影响因子与所述时刻碳排放量的协方差矩阵；
计算所述协方差矩阵的特征向量及特征值；
根据所述特征向量及所述特征值计算所述因子重要度，所述因子重要度的计算公式为：
其中，P表征所述因子重要度，m表征所述特征向量的数量，a1k表征第k个特征向量，Yk表征所述第k个特征值。
其中，所述因子表征矩阵的生成方式为：将每个预设时刻对应的时刻碳排放量及因子信息构建为行向量，并根据每个行向量构建出所述因子表征矩阵。
所述协方差矩阵、所述特征向量、所述特征值的计算公式属于现有技术，本发明对此不再赘述。
通过所述因子表征矩阵能够准确的计算出每个初筛影响因子与所述时刻碳排放量的相关程度，进而结合所述特征向量及所述特征值能够准确的确定出每个初筛影响因子对碳排放量的因子重要度。
S11，获取碳排放量预测网络，并获取多个第一时刻的实际排放量。
在本发明的至少一个实施例中，所述碳排放量预测网络包括时序预测网络及预设灰色网络。
其中，所述时序预测网络包括遗忘门层、输入门层及输出门层。
在本发明的至少一个实施例中，所述实际排放量可以通过传感器对空气进行监测获取到的。
S12，获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻。
在本发明的至少一个实施例中，所述输入数据是指所述目标影响因子在所述多个第一时刻上所对应的信息，例如，所述目标影响因子为：人口总数，所述输入数据可以是：XX年的人口总数为50亿。所述输入数据可以从预设网站中获取到。
在本发明的至少一个实施例中，所述实时碳排放量可以通过传感器对空气进行监测获取到的。
S13，基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量。
在本发明的至少一个实施例中，所述目标预测排放量为所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测分析后所得到的信息。
在本发明的至少一个实施例中，所述电子设备基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量包括：
基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量；
基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量；
从所述碳排放量预测网络中获取所述时序预测网络的第一预设权值及所述预设灰色网络的第二预设权值；
基于所述第一预设权值及所述第二预设权值对所述第一预测排放量及所述第二预测排放量进行加权和运算，得到所述目标预测排放量。
其中，所述第一预设权值与所述第二预设权值的总和通常设定为1。
通过综合所述时序预测网络对所述输入数据预测所得到的第一预测排放量及所述预设灰色网络对所述实时碳排放量预测所得到的第二预测排放量，能够准确的确定出所述碳排放量预测网络对所述输入数据及所述实时碳排放量的预测信息。
具体地，所述电子设备基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量包括：
根据所述多个第一时刻依照从小至大的顺序对所述输入数据进行排序，得到数据队列，所述数据队列包括第一数据及第二数据，所述第一数据所对应的第一时刻小于所述第二数据所对应的第一时刻；
获取所述时序预测网络对所述第一数据的预测值及记忆信息；
基于所述遗忘门层对所述预测值及所述第二数据进行遗忘处理，得到遗忘数据；
基于所述输入门层对所述预测值及所述第二数据进行融合处理，得到更新数据，并基于所述输入门层计算所述预测值及所述第二数据，得到更新权值，所述更新权值的计算公式为：it＝σ(Wi·[ht-1,Xt]+bi)，其中，it是指所述更新权值，σ()表征归一化函数，Wi表征所述输入门层的预设矩阵，bi表征所述输入门层的预设偏置值，ht-1表征所述预测值，Xt表征所述第二数据；
根据所述遗忘数据、所述第一数据的记忆信息、所述更新数据及所述更新权值计算所述第二数据的记忆信息；
基于所述输出门层对所述记忆信息、所述预测值及所述第二数据进行融合处理，得到所述第一预测排放量。
其中，所述数据队列中的首个第一数据的预测值可以是所述首个第一数据所对应的实时碳排放量，及所述数据队列中的首个第一数据的记忆信息可以是所述首个第一数据本身。
具体地，所述电子设备基于所述遗忘门层对所述预测值及所述第二数据进行遗忘处理，得到遗忘数据包括：
所述电子设备拼接所述预测值及所述第二数据，得到拼接数据，并获取所述遗忘门层中的遗忘矩阵及遗忘偏置值，基于所述遗忘矩阵及所述遗忘偏置值对所述拼接数据进行计算，并对计算得到的数值进行归一化处理，得到所述遗忘数据。
具体地，所述电子设备基于所述输入门层对所述预测值及所述第二数据进行融合处理，得到更新数据包括：
获取所述输入门层中的更新矩阵及更新偏置值，基于所述更新矩阵及所述更新偏置值对所述拼接数据进行计算，并调用预设公式对计算得到的数值进行处理，得到所述更新数据。
其中，所述预设公式可以是tanh()函数。
具体地，所述第二数据的记忆信息的计算公式为：
其中，Ct表征所述第二数据的记忆信息，ft表征所述遗忘数据，Ct-1表征所述第一数据的记忆信息，it表征所述更新权值，
表征所述更新数据。
具体地，所述第一预测排放量的计算公式为：
ht＝Ot*tanh(Ct)；
Ot＝σ(Wo·[ht-1,Xt]+bo)；
其中，ht表征所述第一预测排放量，Ct表征所述第二数据的记忆信息，ht-1表征所述预测值，Xt表征所述第二数据，Wo表征所述输出门层的输出矩阵，bo表征所述输出门层的输出偏置值。
通过所述时序预测网络对所述输入数据进行预测，能够建立所述第一预测排放量与所述时序预测网络的映射关系。
具体地，所述电子设备基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量包括：
从所述预设灰色网络中获取配置常数及配置承载力；
调用所述预设灰色网络中的增长变化率公式对所述实时碳排放量进行计算，得到每个第一时刻的碳排放量变化率；
基于所述配置常数、所述配置承载力及所述碳排放量变化率计算所述第二预测排放量，所述第二预测排放量的计算公式为：
x(0)(k)+az(1)(k)＝bz(1)(k)ln(z(1)(k))；
其中，x(0)(k)表征第k个第一时刻的碳排放量变化率，z(1)(k)表征所述第k个第一时刻的第二预测排放量，c表征所述配置常数，k0表征所述配置承载力。
通过所述预设灰色网络对所述实时碳排放量进行预测，能够建立所述第二预测排放量与所述预设灰色网络的映射关系。
S14，根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型。
在本发明的至少一个实施例中，所述碳排放量预测模型是指对所述碳排放量预测网络中的设定参数进行调整后所得到的碳排放量预测网络。
在本发明的至少一个实施例中，所述电子设备根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型包括：
根据所述实际排放量及所述目标预测排放量计算所述碳排放量预测网络的网络损失值；
基于所述网络损失值对所述碳排放量预测网络中的设定参数进行调整，直至所述网络损失值不再降低，或者所述网络损失值小于或者等于预设损失阈值，得到所述碳排放量预测模型。
其中，所述网络损失值可以是所述实际排放量与所述目标预测排放量的差值，也可以是所述差值在所述实际排放量上的比值。
所述设定参数包括所述时序预测网络及所述预设灰色网络中预先配置好的参数值，例如，所述设定参数包括所述配置常数、所述配置承载力等。
通过所述网络损失值对所述设定参数进行调整，提高了所述碳排放量预测模型的预测能力。
S15，当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量。
在本发明的至少一个实施例中，所述碳排放量预测请求中携带有需要进行碳排放总量预测的时刻。
所述影响数据是指所述目标影响因子在所述预测时刻所对应的信息，所述影响数据可以是预测得到的。
所述历史排放量是指发生在所述预测时刻之前的碳排放总量。
在本发明的至少一个实施例中，所述电子设备根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据包括：
从所述碳排放量预测请求中提取所述预测时刻；
从所述预设网站中获取与所述预测时刻及所述目标影响因子对应的数据作为所述影响数据。
S16，基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
需要强调的是，为进一步保证上述碳排放总量的私密和安全性，上述碳排放总量还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量的方式与所述电子设备基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量的方式相似，本发明对此不再赘述。
在本发明的至少一个实施例中，所述方法还包括：
基于所述碳排放量预测模型对所述预测时刻所对应的影响数据及所述碳排放总量进行预测，得到在所述预测时刻的下一时刻的碳排放预测量；
若所述碳排放预测量小于配置总量，则将所述下一时刻的碳排放预测量及所述预测时刻的下一时刻所对应的影响数据输入至所述碳排放量预测模型进行预测，直至所述碳排放量预测模型所输出的数据大于或者等于所述配置总量，并将所述碳排放量预测模型所输出的数据所对应的时刻作为碳达峰时刻；
根据所述碳达峰时刻及所述碳排放量预测模型所输出的数据生成告警信息。
通过所述碳排放量预测模型能够准确的预测出碳达峰时所对应的时刻，从而起到警示作用。
由以上技术方案可以看出，本申请通过对所述预设历史碳排放量影响因子进行筛选，能够实现对所述预设历史碳排放量影响因子的降维处理，从而能够提高预测效率，同时，能够保留所述预设历史碳排放量影响因子中的目标影响因子，能够确保所述碳排放量预测模型的稳定性。本申请还综合了所述碳排放量预测网络中预设灰色网络的数理统计特性及所述碳排放量预测网络中时序预测网络的时序特性的优点，能够学习到碳排放量之间深层次的依赖关系，从而提高所述碳排放量预测模型的预测能力，进而提高所述碳排放总量的预测准确性。
如图2所示，是本发明碳排放量预测装置的较佳实施例的功能模块图。所述碳排放量预测装置11包括筛选单元110、获取单元111、预测单元112、调整单元113及生成单元114。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
筛选单元110从预设历史碳排放量影响因子中筛选目标影响因子。
在本发明的至少一个实施例中，所述预设历史碳排放量影响因子可以包括人口总数、GDP等影响因子。
所述目标影响因子是指对碳排放量影响较大的预设历史碳排放量影响因子。
在本发明的至少一个实施例中，所述筛选单元110从预设历史碳排放量影响因子中筛选目标影响因子包括：
获取多个预设时刻的时刻碳排放量，并获取每个预设历史碳排放量影响因子在所述多个预设时刻的因子信息；
基于所述时刻碳排放量及所述因子信息计算每个预设历史碳排放量影响因子的排放量回归值，所述排放量回归值的计算公式为：
计算所述排放量回归值在所述多个预设时刻的收缩程度；
将所述收缩程度小于预设程度阈值的预设历史碳排放量影响因子确定为初筛影响因子；
计算每个初筛影响因子的因子重要度；
将所述因子重要度大于预设重要度阈值的初筛影响因子确定为所述目标影响因子。
其中，所述多个预设时刻可以包括XX年01月、XX年02月等。
所述预设程度阈值及所述预设重要度阈值可以根据实际需求设定。
通过所述时刻碳排放量及所述因子信息能够准确的计算出所述排放量回归值，进而将小于预设程度阈值的预设历史碳排放量影响因子确定为初筛影响因子，能够从所述预设历史碳排放量影响因子中剔除掉无法收缩的因子，提高所述初筛影响因子的收缩能力，进而通过分析每个初筛影响因子的因子重要度，能够筛选出对碳排放量影响较大的初筛影响因子作为所述目标影响因子，实现了对所述预设历史碳排放量影响因子的降维处理。
具体地，所述因子重要度的计算公式为：
根据所述时刻碳排放量及所述因子信息构建每个初筛影响因子的因子表征矩阵；
根据所述因子表征矩阵计算每个初筛影响因子与所述时刻碳排放量的协方差矩阵；
计算所述协方差矩阵的特征向量及特征值；
根据所述特征向量及所述特征值计算所述因子重要度，所述因子重要度的计算公式为：
其中，P表征所述因子重要度，m表征所述特征向量的数量，a1k表征第k个特征向量，Yk表征所述第k个特征值。
其中，所述因子表征矩阵的生成方式为：将每个预设时刻对应的时刻碳排放量及因子信息构建为行向量，并根据每个行向量构建出所述因子表征矩阵。
所述协方差矩阵、所述特征向量、所述特征值的计算公式属于现有技术，本发明对此不再赘述。
通过所述因子表征矩阵能够准确的计算出每个初筛影响因子与所述时刻碳排放量的相关程度，进而结合所述特征向量及所述特征值能够准确的确定出每个初筛影响因子对碳排放量的因子重要度。
获取单元111获取碳排放量预测网络，并获取多个第一时刻的实际排放量。
在本发明的至少一个实施例中，所述碳排放量预测网络包括时序预测网络及预设灰色网络。
其中，所述时序预测网络包括遗忘门层、输入门层及输出门层。
在本发明的至少一个实施例中，所述实际排放量可以通过传感器对空气进行监测获取到的。
所述获取单元111获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻。
在本发明的至少一个实施例中，所述输入数据是指所述目标影响因子在所述多个第一时刻上所对应的信息，例如，所述目标影响因子为：人口总数，所述输入数据可以是：XX年的人口总数为50亿。所述输入数据可以从预设网站中获取到。
在本发明的至少一个实施例中，所述实时碳排放量可以通过传感器对空气进行监测获取到的。
预测单元112基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量。
在本发明的至少一个实施例中，所述目标预测排放量为所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测分析后所得到的信息。
在本发明的至少一个实施例中，所述预测单元112基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量包括：
基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量；
基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量；
从所述碳排放量预测网络中获取所述时序预测网络的第一预设权值及所述预设灰色网络的第二预设权值；
基于所述第一预设权值及所述第二预设权值对所述第一预测排放量及所述第二预测排放量进行加权和运算，得到所述目标预测排放量。
其中，所述第一预设权值与所述第二预设权值的总和通常设定为1。
通过综合所述时序预测网络对所述输入数据预测所得到的第一预测排放量及所述预设灰色网络对所述实时碳排放量预测所得到的第二预测排放量，能够准确的确定出所述碳排放量预测网络对所述输入数据及所述实时碳排放量的预测信息。
具体地，所述预测单元112基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量包括：
根据所述多个第一时刻依照从小至大的顺序对所述输入数据进行排序，得到数据队列，所述数据队列包括第一数据及第二数据，所述第一数据所对应的第一时刻小于所述第二数据所对应的第一时刻；
获取所述时序预测网络对所述第一数据的预测值及记忆信息；
基于所述遗忘门层对所述预测值及所述第二数据进行遗忘处理，得到遗忘数据；
基于所述输入门层对所述预测值及所述第二数据进行融合处理，得到更新数据，并基于所述输入门层计算所述预测值及所述第二数据，得到更新权值，所述更新权值的计算公式为：it＝σ(Wi·[ht-1,Xt]+bi)，其中，it是指所述更新权值，σ()表征归一化函数，Wi表征所述输入门层的预设矩阵，bi表征所述输入门层的预设偏置值，ht-1表征所述预测值，Xt表征所述第二数据；
根据所述遗忘数据、所述第一数据的记忆信息、所述更新数据及所述更新权值计算所述第二数据的记忆信息；
基于所述输出门层对所述记忆信息、所述预测值及所述第二数据进行融合处理，得到所述第一预测排放量。
其中，所述数据队列中的首个第一数据的预测值可以是所述首个第一数据所对应的实时碳排放量，及所述数据队列中的首个第一数据的记忆信息可以是所述首个第一数据本身。
具体地，所述预测单元112基于所述遗忘门层对所述预测值及所述第二数据进行遗忘处理，得到遗忘数据包括：
所述预测单元112拼接所述预测值及所述第二数据，得到拼接数据，并获取所述遗忘门层中的遗忘矩阵及遗忘偏置值，基于所述遗忘矩阵及所述遗忘偏置值对所述拼接数据进行计算，并对计算得到的数值进行归一化处理，得到所述遗忘数据。
具体地，所述预测单元112基于所述输入门层对所述预测值及所述第二数据进行融合处理，得到更新数据包括：
获取所述输入门层中的更新矩阵及更新偏置值，基于所述更新矩阵及所述更新偏置值对所述拼接数据进行计算，并调用预设公式对计算得到的数值进行处理，得到所述更新数据。
其中，所述预设公式可以是tanh()函数。
具体地，所述第二数据的记忆信息的计算公式为：
其中，Ct表征所述第二数据的记忆信息，ft表征所述遗忘数据，Ct-1表征所述第一数据的记忆信息，it表征所述更新权值，
表征所述更新数据。
具体地，所述第一预测排放量的计算公式为：
ht＝Ot*tanh(Ct)；
Ot＝σ(Wo·[ht-1,Xt]+bo)；
其中，ht表征所述第一预测排放量，Ct表征所述第二数据的记忆信息，ht-1表征所述预测值，Xt表征所述第二数据，Wo表征所述输出门层的输出矩阵，bo表征所述输出门层的输出偏置值。
通过所述时序预测网络对所述输入数据进行预测，能够建立所述第一预测排放量与所述时序预测网络的映射关系。
具体地，所述预测单元112基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量包括：
从所述预设灰色网络中获取配置常数及配置承载力；
调用所述预设灰色网络中的增长变化率公式对所述实时碳排放量进行计算，得到每个第一时刻的碳排放量变化率；
基于所述配置常数、所述配置承载力及所述碳排放量变化率计算所述第二预测排放量，所述第二预测排放量的计算公式为：
x(0)(k)+az(1)(k)＝bz(1)(k)ln(z(1)(k))；
其中，x(0)(k)表征第k个第一时刻的碳排放量变化率，z(1)(k)表征所述第k个第一时刻的第二预测排放量，c表征所述配置常数，k0表征所述配置承载力。
通过所述预设灰色网络对所述实时碳排放量进行预测，能够建立所述第二预测排放量与所述预设灰色网络的映射关系。
调整单元113根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型。
在本发明的至少一个实施例中，所述碳排放量预测模型是指对所述碳排放量预测网络中的设定参数进行调整后所得到的碳排放量预测网络。
在本发明的至少一个实施例中，所述调整单元113根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型包括：
根据所述实际排放量及所述目标预测排放量计算所述碳排放量预测网络的网络损失值；
基于所述网络损失值对所述碳排放量预测网络中的设定参数进行调整，直至所述网络损失值不再降低，或者所述网络损失值小于或者等于预设损失阈值，得到所述碳排放量预测模型。
其中，所述网络损失值可以是所述实际排放量与所述目标预测排放量的差值，也可以是所述差值在所述实际排放量上的比值。
所述设定参数包括所述时序预测网络及所述预设灰色网络中预先配置好的参数值，例如，所述设定参数包括所述配置常数、所述配置承载力等。
通过所述网络损失值对所述设定参数进行调整，提高了所述碳排放量预测模型的预测能力。
当接收到碳排放量预测请求时，所述获取单元111根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量。
在本发明的至少一个实施例中，所述碳排放量预测请求中携带有需要进行碳排放总量预测的时刻。
所述影响数据是指所述目标影响因子在所述预测时刻所对应的信息，所述影响数据可以是预测得到的。
所述历史排放量是指发生在所述预测时刻之前的碳排放总量。
在本发明的至少一个实施例中，所述获取单元111根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据包括：
从所述碳排放量预测请求中提取所述预测时刻；
从所述预设网站中获取与所述预测时刻及所述目标影响因子对应的数据作为所述影响数据。
所述预测单元112基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
需要强调的是，为进一步保证上述碳排放总量的私密和安全性，上述碳排放总量还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述预测单元112基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量的方式与所述电子设备基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量的方式相似，本发明对此不再赘述。
在本发明的至少一个实施例中，所述预测单元112基于所述碳排放量预测模型对所述预测时刻所对应的影响数据及所述碳排放总量进行预测，得到在所述预测时刻的下一时刻的碳排放预测量；
若所述碳排放预测量小于配置总量，则所述预测单元112将所述下一时刻的碳排放预测量及所述预测时刻的下一时刻所对应的影响数据输入至所述碳排放量预测模型进行预测，直至所述碳排放量预测模型所输出的数据大于或者等于所述配置总量，并将所述碳排放量预测模型所输出的数据所对应的时刻作为碳达峰时刻；
生成单元114根据所述碳达峰时刻及所述碳排放量预测模型所输出的数据生成告警信息。
通过所述碳排放量预测模型能够准确的预测出碳达峰时所对应的时刻，从而起到警示作用。
由以上技术方案可以看出，本申请通过对所述预设历史碳排放量影响因子进行筛选，能够实现对所述预设历史碳排放量影响因子的降维处理，从而能够提高预测效率，同时，能够保留所述预设历史碳排放量影响因子中的目标影响因子，能够确保所述碳排放量预测模型的稳定性。本申请还综合了所述碳排放量预测网络中预设灰色网络的数理统计特性及所述碳排放量预测网络中时序预测网络的时序特性的优点，能够学习到碳排放量之间深层次的依赖关系，从而提高所述碳排放量预测模型的预测能力，进而提高所述碳排放总量的预测准确性。
如图3所示，是本发明实现碳排放量预测方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如碳排放量预测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成筛选单元110、获取单元111、预测单元112、调整单元113及生成单元114。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式碳排放量预测、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种碳排放量预测方法，所述处理器13可执行所述计算机可读指令从而实现：
从预设历史碳排放量影响因子中筛选目标影响因子；
获取碳排放量预测网络，并获取多个第一时刻的实际排放量；
获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻；
基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量；
根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型；
当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量；
基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
从预设历史碳排放量影响因子中筛选目标影响因子；
获取碳排放量预测网络，并获取多个第一时刻的实际排放量；
获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻；
基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量；
根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型；
当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量；
基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种碳排放量预测方法，其特征在于，所述碳排放量预测方法包括：
从预设历史碳排放量影响因子中筛选目标影响因子；
获取碳排放量预测网络，并获取多个第一时刻的实际排放量；
获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻；
基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量；
根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型；
当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量；
基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
2.如权利要求1所述的碳排放量预测方法，其特征在于，所述从预设历史碳排放量影响因子中筛选目标影响因子包括：
获取多个预设时刻的时刻碳排放量，并获取每个预设历史碳排放量影响因子在所述多个预设时刻的因子信息；
基于所述时刻碳排放量及所述因子信息计算每个预设历史碳排放量影响因子的排放量回归值，所述排放量回归值的计算公式为：
计算所述排放量回归值在所述多个预设时刻的收缩程度；
将所述收缩程度小于预设程度阈值的预设历史碳排放量影响因子确定为初筛影响因子；
计算每个初筛影响因子的因子重要度；
将所述因子重要度大于预设重要度阈值的初筛影响因子确定为所述目标影响因子。
3.如权利要求2所述的碳排放量预测方法，其特征在于，所述因子重要度的计算公式为：
根据所述时刻碳排放量及所述因子信息构建每个初筛影响因子的因子表征矩阵；
根据所述因子表征矩阵计算每个初筛影响因子与所述时刻碳排放量的协方差矩阵；
计算所述协方差矩阵的特征向量及特征值；
根据所述特征向量及所述特征值计算所述因子重要度，所述因子重要度的计算公式为：
其中，P表征所述因子重要度，m表征所述特征向量的数量，a1k表征第k个特征向量，Yk表征所述第k个特征值。
4.如权利要求1所述的碳排放量预测方法，其特征在于，所述碳排放量预测网络包括时序预测网络及预设灰色网络，所述基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量包括：
基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量；
基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量；
从所述碳排放量预测网络中获取所述时序预测网络的第一预设权值及所述预设灰色网络的第二预设权值；
基于所述第一预设权值及所述第二预设权值对所述第一预测排放量及所述第二预测排放量进行加权和运算，得到所述目标预测排放量。
5.如权利要求4所述的碳排放量预测方法，其特征在于，所述时序预测网络包括遗忘门层、输入门层及输出门层，所述基于所述时序预测网络对所述输入数据进行预测，得到每个第一时刻的第一预测排放量包括：
根据所述多个第一时刻依照从小至大的顺序对所述输入数据进行排序，得到数据队列，所述数据队列包括第一数据及第二数据，所述第一数据所对应的第一时刻小于所述第二数据所对应的第一时刻；
获取所述时序预测网络对所述第一数据的预测值及记忆信息；
基于所述遗忘门层对所述预测值及所述第二数据进行遗忘处理，得到遗忘数据；
基于所述输入门层对所述预测值及所述第二数据进行融合处理，得到更新数据，并基于所述输入门层计算所述预测值及所述第二数据，得到更新权值，所述更新权值的计算公式为：it＝σ(Wi·[ht-1,Xt]+bi)，其中，it是指所述更新权值，σ()表征归一化函数，Wi表征所述输入门层的预设矩阵，bi表征所述输入门层的预设偏置值，ht-1表征所述预测值，Xt表征所述第二数据；
根据所述遗忘数据、所述第一数据的记忆信息、所述更新数据及所述更新权值计算所述第二数据的记忆信息；
基于所述输出门层对所述记忆信息、所述预测值及所述第二数据进行融合处理，得到所述第一预测排放量。
6.如权利要求4所述的碳排放量预测方法，其特征在于，所述基于所述预设灰色网络对所述实时碳排放量进行预测，得到每个第一时刻的第二预测排放量包括：
从所述预设灰色网络中获取配置常数及配置承载力；
调用所述预设灰色网络中的增长变化率公式对所述实时碳排放量进行计算，得到每个第一时刻的碳排放量变化率；
基于所述配置常数、所述配置承载力及所述碳排放量变化率计算所述第二预测排放量，所述第二预测排放量的计算公式为：
x(0)(k)+az(1)(k)＝bz(1)(k)ln(z(1)(k))；
其中，x(0)(k)表征第k个第一时刻的碳排放量变化率，z(1)(k)表征所述第k个第一时刻的第二预测排放量，c表征所述配置常数，k0表征所述配置承载力。
7.如权利要求1所述的碳排放量预测方法，其特征在于，所述根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型包括：
根据所述实际排放量及所述目标预测排放量计算所述碳排放量预测网络的网络损失值；
基于所述网络损失值对所述碳排放量预测网络中的设定参数进行调整，直至所述网络损失值不再降低，或者所述网络损失值小于或者等于预设损失阈值，得到所述碳排放量预测模型。
8.一种碳排放量预测装置，其特征在于，所述碳排放量预测装置包括：
筛选单元，用于从预设历史碳排放量影响因子中筛选目标影响因子；
获取单元，用于获取碳排放量预测网络，并获取多个第一时刻的实际排放量；
所述获取单元，还用于获取所述多个第一时刻与所述目标影响因子对应的输入数据，并获取多个第二时刻的实时碳排放量，每个第一时刻大于所述多个第二时刻；
预测单元，用于基于所述碳排放量预测网络对所述输入数据及所述实时碳排放量进行预测，得到每个第一时刻的目标预测排放量；
调整单元，用于根据所述实际排放量及所述目标预测排放量调整所述碳排放量预测网络，得到碳排放量预测模型；
所述获取单元，还用于当接收到碳排放量预测请求时，根据所述碳排放量预测请求获取预测时刻与所述目标影响因子对应的影响数据，并基于所述预测时刻获取历史排放量；
所述预测单元，还用于基于所述碳排放量预测模型对所述影响数据及所述排放量进行预测，得到所述预测时刻的碳排放总量。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的碳排放量预测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的碳排放量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210510895.8A CN114781272A (zh) | 2022-05-11 | 2022-05-11 | 碳排放量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210510895.8A CN114781272A (zh) | 2022-05-11 | 2022-05-11 | 碳排放量预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114781272A true CN114781272A (zh) | 2022-07-22 |
Family
ID=82436670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210510895.8A Pending CN114781272A (zh) | 2022-05-11 | 2022-05-11 | 碳排放量预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114781272A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017466A (zh) * | 2022-08-03 | 2022-09-06 | 潍柴动力股份有限公司 | 碳载量确定方法、装置、电子设备及存储介质 |
| CN115050172A (zh) * | 2022-08-16 | 2022-09-13 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
| CN115564152A (zh) * | 2022-12-06 | 2023-01-03 | 南方电网数字电网研究院有限公司 | 基于stirpat模型的碳排放量预测方法及装置 |
| CN115759346A (zh) * | 2022-10-21 | 2023-03-07 | 中山大学 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
| CN117217418A (zh) * | 2023-11-07 | 2023-12-12 | 中电山河数字科技(南通)有限公司 | 一种碳排放监测的移动边缘计算系统及方法 |
| CN117371667A (zh) * | 2023-12-04 | 2024-01-09 | 中国长江电力股份有限公司 | 碳排放量影响因数的分析方法及相关设备 |
| WO2024036959A1 (zh) * | 2022-08-19 | 2024-02-22 | 广东邦普循环科技有限公司 | 一种考虑电池全生命周期的碳排放控制方法和装置 |
| CN117634750A (zh) * | 2024-01-25 | 2024-03-01 | 江苏航运职业技术学院 | 一种碳排放指标信息生成方法、装置、电子设备和介质 |
-
2022
- 2022-05-11 CN CN202210510895.8A patent/CN114781272A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017466A (zh) * | 2022-08-03 | 2022-09-06 | 潍柴动力股份有限公司 | 碳载量确定方法、装置、电子设备及存储介质 |
| CN115050172A (zh) * | 2022-08-16 | 2022-09-13 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
| CN115050172B (zh) * | 2022-08-16 | 2022-11-01 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
| WO2024036959A1 (zh) * | 2022-08-19 | 2024-02-22 | 广东邦普循环科技有限公司 | 一种考虑电池全生命周期的碳排放控制方法和装置 |
| CN115759346B (zh) * | 2022-10-21 | 2023-12-22 | 中山大学 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
| CN115759346A (zh) * | 2022-10-21 | 2023-03-07 | 中山大学 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
| CN115564152A (zh) * | 2022-12-06 | 2023-01-03 | 南方电网数字电网研究院有限公司 | 基于stirpat模型的碳排放量预测方法及装置 |
| CN117217418A (zh) * | 2023-11-07 | 2023-12-12 | 中电山河数字科技(南通)有限公司 | 一种碳排放监测的移动边缘计算系统及方法 |
| CN117217418B (zh) * | 2023-11-07 | 2024-02-09 | 中电山河数字科技(南通)有限公司 | 一种碳排放监测的移动边缘计算系统及方法 |
| CN117371667A (zh) * | 2023-12-04 | 2024-01-09 | 中国长江电力股份有限公司 | 碳排放量影响因数的分析方法及相关设备 |
| CN117371667B (zh) * | 2023-12-04 | 2024-03-12 | 中国长江电力股份有限公司 | 碳排放量影响因数的分析方法及相关设备 |
| CN117634750A (zh) * | 2024-01-25 | 2024-03-01 | 江苏航运职业技术学院 | 一种碳排放指标信息生成方法、装置、电子设备和介质 |
| CN117634750B (zh) * | 2024-01-25 | 2024-04-05 | 江苏航运职业技术学院 | 一种碳排放指标信息生成方法、装置、电子设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114781272A (zh) | 碳排放量预测方法、装置、设备及存储介质 | |
| US11348249B2 (en) | Training method for image semantic segmentation model and server | |
| US20210390706A1 (en) | Detection model training method and apparatus, computer device and storage medium | |
| CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
| CN110826379B (zh) | 一种基于特征复用与YOLOv3的目标检测方法 | |
| CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
| CN110969200B (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| EP4322056A1 (en) | Model training method and apparatus | |
| WO2022057309A1 (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
| CN110598638A (zh) | 模型训练方法、人脸性别预测方法、设备及存储介质 | |
| CN112232426A (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
| CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
| CN114358197A (zh) | 分类模型的训练方法及装置、电子设备、存储介质 | |
| CN115937703A (zh) | 一种用于遥感图像目标检测的增强特征提取方法 | |
| CN112507981B (zh) | 模型生成方法、虹膜图像质量评估方法及电子设备 | |
| CN114547365A (zh) | 一种图像检索方法和设备 | |
| CN113570391A (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
| CN111275059B (zh) | 一种图像处理方法、装置和计算机可读存储介质 | |
| Lim et al. | More powerful selective kernel tests for feature selection | |
| CN110457155B (zh) | 一种样本类别标签的修正方法、装置及电子设备 | |
| CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
| CN110705971A (zh) | 基于深度学习的考勤管理系统及方法 | |
| CN113850632B (zh) | 用户类别确定方法、装置、设备及存储介质 | |
| CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
| CN112446428B (zh) | 一种图像数据处理方法及装置 |
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 |