CN115423215A - 一种基于混合机器学习的碳排放预测方法及系统 - Google Patents
一种基于混合机器学习的碳排放预测方法及系统 Download PDFInfo
- Publication number
- CN115423215A CN115423215A CN202211252733.5A CN202211252733A CN115423215A CN 115423215 A CN115423215 A CN 115423215A CN 202211252733 A CN202211252733 A CN 202211252733A CN 115423215 A CN115423215 A CN 115423215A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- processing
- data
- target
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 181
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 128
- 230000015654 memory Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004148 unit process 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
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合机器学习的碳排放预测方法及系统,获取与待预测时间段对应的数据集合,数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;通过目标组合模型对数据集合进行处理,得到碳排放预测结果;其中,目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,第一处理模型为单变量模型,第二处理模型和第三处理模型为多变量模型,实现了将单变量时序预测和多变量驱动因素模型进行最优加权组合,兼顾各个模型的优点,提升了碳排放预测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种基于混合机器学习的碳排放预测方法及系统。
背景技术
能源安全、气候变化和环境污染是可持续发展面临的主要挑战,发展实施节能减排放技术是世界范围内的重要趋势。
目前碳排放的预测主要是通过机器学习方式实现,例如可以通过如下两种方式实现,第一种是通过历史碳排放量数据对未来碳排放进行时序预测,第二种是建立碳排放的多输入变量驱动因素模型。但是,第一种方式对数据波动的反应存在滞后现象,并且预测时无法反应未来已制定政策对数据的影响;第二种方法通过建立因果关系预测碳排放趋势,需要对多个因素指标,能根据未来政策规划预测碳排放,存在一定主观性。可见,现有的碳排放的预测方法均存在一定的缺陷性,降低了预测的准确性。
发明内容
针对于上述问题,本发明提供一种基于混合机器学习的碳排放预测方法及系统,提升了碳排放预测的准确性。
为了实现上述目的,本发明提供了如下技术方案:
一种基于混合机器学习的碳排放预测方法,所述方法包括:
获取与待预测时间段对应的数据集合,所述数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
通过目标组合模型对所述数据集合进行处理,得到碳排放预测结果;
其中,所述目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,所述第一处理模型为基于历史碳排放数据生成的单变量模型,所述第二处理模型和所述第三模型为基于历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构的多变量模型,且所述第二处理模型和所述第三处理模型的模型结构不同。
可选地,所述方法还包括:
获取预先采集的历史碳排放数据;
对所述历史排放数据按照时间维度进行划分,确定所述历史碳排放数据中的特征值和训练目标值;
基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练,直至训练结果满足目标条件,得到第一处理模型。
可选地,所述方法还包括:
获取训练数据,所述训练数据包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
基于时间维度确定所述训练数据的训练目标值;
将所述训练数据输入至长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第二处理模型。
可选地,所述方法还包括:
将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第三处理模型。
可选地,所述方法还包括:
分别获得第一处理模型、第二处理模型和第三处理模型在训练过程中的预测值与训练目标值之间的差值;
基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理,确定目标计算权重,所述目标处理模式包括方差倒数处理模式和残差倒数处理模式;
根据所述目标计算权重对所述第一处理模型、所述第二处理模型和所述第三处理模型进行组合,得到目标组合模型。
一种基于混合机器学习的碳排放预测系统,所述系统包括:
获取单元,用于获取与待预测时间段对应的数据集合,所述数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
处理单元,用于通过目标组合模型对所述数据集合进行处理,得到碳排放预测结果;
其中,所述目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,所述第一处理模型为基于历史碳排放数据生成的单变量模型,所述第二处理模型和所述第三模型为基于历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构的多变量模型,且所述第二处理模型和所述第三处理模型的模型结构不同。
可选地,所述系统还包括:第一训练单元,所述第一训练单元用于:
获取预先采集的历史碳排放数据;
对所述历史排放数据按照时间维度进行划分,确定所述历史碳排放数据中的特征值和训练目标值;
基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练,直至训练结果满足目标条件,得到第一处理模型。
可选地,所述系统还包括:第二训练单元,所述第二训练单元用于:
获取训练数据,所述训练数据包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
基于时间维度确定所述训练数据的训练目标值;
将所述训练数据输入至长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第二处理模型。
可选地,所述系统还包括:第三训练单元,所述第三训练单元用于:
将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第三处理模型。
可选地,所述系统还包括:组合单元,所述组合单元具体用于:
分别获得第一处理模型、第二处理模型和第三处理模型在训练过程中的预测值与训练目标值之间的差值;
基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理,确定目标计算权重,所述目标处理模式包括方差倒数处理模式和残差倒数处理模式;
根据所述目标计算权重对所述第一处理模型、所述第二处理模型和所述第三处理模型进行组合,得到目标组合模型。
相较于现有技术,本发明提供了一种基于混合机器学习的碳排放预测方法及系统,获取与待预测时间段对应的数据集合,数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;通过目标组合模型对数据集合进行处理,得到碳排放预测结果;其中,目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,第一处理模型为单变量模型,第二处理模型和第三处理模型为多变量模型,实现了将单变量时序预测和多变量驱动因素模型进行最优加权组合,兼顾各个模型的优点,提升了碳排放预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于混合机器学习的碳排放预测方法的流程示意图;
图2为本发明实施例提供的一种基于混合机器学习的碳排放预测模型的架构图;
图3为本发明实施例提供的一种基于混合机器学习的碳排放预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种基于混合机器学习的碳排放预测方法,参见图1,该方法可以包括以下步骤:
S101、获取与待预测时间段对应的数据集合。
所述数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构。待预测时间段为需要进行预测碳排放量的日期,例如需要对5月10日的碳排放量数据进行预测,则与该待预测时间段对应的数据集合可以是采集的5月1日到5月9日的相关数据。
S102、通过目标组合模型对所述数据集合进行处理,得到碳排放预测结果。
所述目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,所述第一处理模型为基于历史碳排放数据生成的单变量模型,所述第二处理模型和所述第三模型为基于历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构的多变量模型,且所述第二处理模型和所述第三处理模型的模型结构不同。
在本发明实施例中通过采用不同的数据集合以及不同的深度学习模型对与碳预测相关的历史数据进行学习,从而对各个处理模型进行组合,得到目标组合模型,将目标组合模型的预测结果作为最终的预测结果。
首先选取影响碳排放预测的因素指标,采用对数平均迪式指数LDMI因素分解模型探究能源结构,人均GDP(国内生产总值)、产业结构等因素对碳排放量是否产生了影响。然后分别构建各自的单一模型,其中,第一处理模型为单变量模型,采用的LSTM(长短期记忆人工神经网络)时序模型,在训练过程中只采用了历史碳排放量数据,属于单纯时序预测。第二处理模型和第三处理模型为多变量模型,其中,第二处理模型采用的模型结构为LSTM(长短期记忆人工神经网络),第三处理模型采用的是CNN-LSTM模型(基于卷积层的长短期记忆人工神经网络模型),第二处理模型和第三处理模型均是多因素变量驱动模型,其中,采用的变量因素包括常住人口数、人均GDP、城市化率、能耗轻度、能源结构和产业结构6个指标以及历史碳排放量。最终使用残差倒数法或者方差倒数法,求得三个处理模型的目标计算权重,通过该目标计算权重将三个处理模型组合成目标组合模型,将目标组合模型的预测结果作为最终预测结果。
参见图2,为本发明实施例提供的一种基于混合机器学习的碳排放预测模型的架构图。在本发明实施例的一种实施方式中,构建第一处理模型的过程包括:获取预先采集的历史碳排放数据;对所述历史排放数据按照时间维度进行划分,确定所述历史碳排放数据中的特征值和训练目标值;基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练,直至训练结果满足目标条件,得到第一处理模型。
其中,特征值为需要进行学习的特征,通常是各种数据中的数据特征值以及不同的数据指标的关联关系等。训练目标值为实际值,也可以是标注的目标值,也可以是历史数据中后一时间段的真实数据作为前一段时间段进行训练的目标值。在该实施方式中,历史碳排放数据可以是之前四年的碳排放数据,其中,将前三年的碳排放量数据作为特征值,将第四年的碳排放量数据作为训练目标值,从而实现根据前三年的碳排放量预测下一年的碳排放量。例如,在构建训练集时,可以通过构建滑动窗口函数,构建了时间序列数据,格式为(3,1),其中,3表示前三年的碳排放,1表示当年的碳排放。构建模型:输入为1,表示1维数据,一个LSTM层和一个线性linear层,其中,间隐藏层为100,1->100->1。
在另一实施方式中还包括了构建第二处理模型和第三处理模型的多变量模型的过程。其中,所述方法还包括:获取训练数据,所述训练数据包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;基于时间维度确定所述训练数据的训练目标值;将所述训练数据输入至长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第二处理模型。
进一步地,将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第三处理模型。
具体的,在本发明实施例中第二处理模型根据前3年的碳排放量以及每年的自变量数据来预测该年的碳排放量。多变量输入LSTM模型还用到了历史碳排放量这一特征指标,共7个特征指标,且历史碳排放量指标对未来碳排放量有一定的影响。多输入LSTM模型不仅学到了历史碳排放量的趋势信息,还学到了6个特征指标对碳排放量的影响信息,且用的是前三年的数据来对下一年碳排放量数据进行预测,因此模型效果较好。
在本发明实施例中确定第三处理模型时,根据前3年的碳排放量以及每年的自变量数据来预测该年的碳排放量。多变量输入CNN-LSTM模型还用到了历史碳排放量这一特征指标,共7个特征指标,且历史碳排放量指标对未来碳排放量有一定的影响。多输入CNN-LSTM模型不仅通过CNN卷积神经网络提取到了输入变量的深层抽象信息,还通过LSTM网络学到了历史碳排放量的趋势信息,且用的是前三年的数据来对下一年碳排放量数据进行预测,因此模型效果较好。
在获得了各个处理模型后,为了能够进一步提升预测结果,在本发明实施例中还可以进一步对处理模型进行组合,即分别获得第一处理模型、第二处理模型和第三处理模型在训练过程中的预测值与训练目标值之间的差值;
基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理,确定目标计算权重,所述目标处理模式包括方差倒数处理模式和残差倒数处理模式;
根据所述目标计算权重对所述第一处理模型、所述第二处理模型和所述第三处理模型进行组合,得到目标组合模型。
具体的,在本发明实施例中对各个处理模型进行组合的过程中主要采用的处理模式包括方差倒数处理模式和残差倒数处理模式,可以简称为方差倒数法和残差倒数法,可以在实际的模型过程中基于场景特征进行灵活选择,本发明实施例对此不进行限制。
方差倒数法也称为预测误差平方和倒数法,它是通过误差平方和的大小确定权重,即对误差平方和小的模型赋予高权重。一般来说每种单项预测模型的预测精度不同,预测误差平方和是反映预测精度的一个指标。预测误差平方和越大,表明该项预测模型的预测精度越低,从而它在组合预测中的重要性就降低。重要性的降低表现为它在组合预测模型的组合预测中应赋予较大的加权系数。公式如下:
其中,Qi即真实值与预测值之间差值的平方和。
残差倒数法体现了某单项预测模型的误差平方和越大,它在组合预测中的加权系数就应越小。其表达式如下:
其中,Si是上一种方法中Qi的平方根,当数据的差均为正值时两种方法的使用没有区别,当数据差有正负之分时,两种方法才有不同。
在本发明实施例提供的一种基于混合机器学习的碳排放预测方法中,充分开发多个机器学习模型,各模型均提取不同信息,单一变量LSTM模型充分挖掘时序信息,多变量LSTM模型挖掘时序信息的同时也提取到多个因素对碳排放的影响信息。多变量CNN-LSTM模型先用卷积层提取到深层次抽象特征,再用LSTM层从上一层的深层次抽象特征中提取信息。运用相关组合模型方法,将上述各个单一模型的优点进行权重组合,充分发挥各模型优点,使最终组合模型预测结果更加准确。
在本发明的另一实施例中还提供了一种基于混合机器学习的碳排放预测系统,参见图3,该系统包括:
获取单元301,用于获取与待预测时间段对应的数据集合,所述数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
处理单元302,用于通过目标组合模型对所述数据集合进行处理,得到碳排放预测结果;
其中,所述目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,所述第一处理模型为基于历史碳排放数据生成的单变量模型,所述第二处理模型和所述第三模型为基于历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构的多变量模型,且所述第二处理模型和所述第三处理模型的模型结构不同。
本发明实施例提供了一种基于混合机器学习的碳排放预测系统,获取单元获取与待预测时间段对应的数据集合,数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;处理单元通过目标组合模型对数据集合进行处理,得到碳排放预测结果;其中,目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,第一处理模型为单变量模型,第二处理模型和第三处理模型为多变量模型,实现了将单变量时序预测和多变量驱动因素模型进行最优加权组合,兼顾各个模型的优点,提升了碳排放预测的准确性。
在一种实施方式中,所述系统还包括:第一训练单元,所述第一训练单元用于:
获取预先采集的历史碳排放数据;
对所述历史排放数据按照时间维度进行划分,确定所述历史碳排放数据中的特征值和训练目标值;
基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练,直至训练结果满足目标条件,得到第一处理模型。
进一步地,所述系统还包括:第二训练单元,所述第二训练单元用于:
获取训练数据,所述训练数据包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
基于时间维度确定所述训练数据的训练目标值;
将所述训练数据输入至长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第二处理模型。
进一步地,所述系统还包括:第三训练单元,所述第三训练单元用于:
将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第三处理模型。
在一种实施方式中,所述系统还包括:组合单元,所述组合单元具体用于:
分别获得第一处理模型、第二处理模型和第三处理模型在训练过程中的预测值与训练目标值之间的差值;
基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理,确定目标计算权重,所述目标处理模式包括方差倒数处理模式和残差倒数处理模式;
根据所述目标计算权重对所述第一处理模型、所述第二处理模型和所述第三处理模型进行组合,得到目标组合模型。
基于前述实施例,本发明的实施例提供一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一项的基于混合机器学习的碳排放预测方法的步骤。
本发明实施例还提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现的基于混合机器学习的碳排放预测方法的步骤。
需要说明的是,上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(Field Programmable GateArray,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
需要说明的是,上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理模块中,也可以是各单元分别单独作为一个单元,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单元的形式实现。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于混合机器学习的碳排放预测方法,其特征在于,所述方法包括:
获取与待预测时间段对应的数据集合,所述数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
通过目标组合模型对所述数据集合进行处理,得到碳排放预测结果;
其中,所述目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,所述第一处理模型为基于历史碳排放数据生成的单变量模型,所述第二处理模型和所述第三模型为基于历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构的多变量模型,且所述第二处理模型和所述第三处理模型的模型结构不同。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预先采集的历史碳排放数据;
对所述历史排放数据按照时间维度进行划分,确定所述历史碳排放数据中的特征值和训练目标值;
基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练,直至训练结果满足目标条件,得到第一处理模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练数据,所述训练数据包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
基于时间维度确定所述训练数据的训练目标值;
将所述训练数据输入至长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第二处理模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第三处理模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
分别获得第一处理模型、第二处理模型和第三处理模型在训练过程中的预测值与训练目标值之间的差值;
基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理,确定目标计算权重,所述目标处理模式包括方差倒数处理模式和残差倒数处理模式;
根据所述目标计算权重对所述第一处理模型、所述第二处理模型和所述第三处理模型进行组合,得到目标组合模型。
6.一种基于混合机器学习的碳排放预测系统,其特征在于,所述系统包括:
获取单元,用于获取与待预测时间段对应的数据集合,所述数据集合包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
处理单元,用于通过目标组合模型对所述数据集合进行处理,得到碳排放预测结果;
其中,所述目标组合模型为通过目标计算权重对第一处理模型、第二处理模型和第三处理模型进行组合得到的模型,所述第一处理模型为基于历史碳排放数据生成的单变量模型,所述第二处理模型和所述第三模型为基于历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构的多变量模型,且所述第二处理模型和所述第三处理模型的模型结构不同。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:第一训练单元,所述第一训练单元用于:
获取预先采集的历史碳排放数据;
对所述历史排放数据按照时间维度进行划分,确定所述历史碳排放数据中的特征值和训练目标值;
基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练,直至训练结果满足目标条件,得到第一处理模型。
8.根据权利要求6所述的方法,其特征在于,所述系统还包括:第二训练单元,所述第二训练单元用于:
获取训练数据,所述训练数据包括历史碳排放数据,以及待预测区域的常住人口总量、人均国内生产总值数据、城市化率、能耗强度、能源结构和产业结构;
基于时间维度确定所述训练数据的训练目标值;
将所述训练数据输入至长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第二处理模型。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:第三训练单元,所述第三训练单元用于:
将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练,直至训练结果与所述训练目标值之间的误差满足目标条件,得到第三处理模型。
10.根据权利要求9所述的系统,其特征在于,所述系统还包括:组合单元,所述组合单元具体用于:
分别获得第一处理模型、第二处理模型和第三处理模型在训练过程中的预测值与训练目标值之间的差值;
基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理,确定目标计算权重,所述目标处理模式包括方差倒数处理模式和残差倒数处理模式;
根据所述目标计算权重对所述第一处理模型、所述第二处理模型和所述第三处理模型进行组合,得到目标组合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211252733.5A CN115423215A (zh) | 2022-10-13 | 2022-10-13 | 一种基于混合机器学习的碳排放预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211252733.5A CN115423215A (zh) | 2022-10-13 | 2022-10-13 | 一种基于混合机器学习的碳排放预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423215A true CN115423215A (zh) | 2022-12-02 |
Family
ID=84205640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211252733.5A Pending CN115423215A (zh) | 2022-10-13 | 2022-10-13 | 一种基于混合机器学习的碳排放预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423215A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739867A (zh) * | 2023-06-27 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 电力系统碳排放量测算方法、装置及计算机设备 |
CN116843080A (zh) * | 2023-07-12 | 2023-10-03 | 济南明泉数字商务有限公司 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
CN117217419A (zh) * | 2023-11-07 | 2023-12-12 | 中电山河数字科技(南通)有限公司 | 工业生产全生命周期碳排放监测方法及系统 |
-
2022
- 2022-10-13 CN CN202211252733.5A patent/CN115423215A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739867A (zh) * | 2023-06-27 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 电力系统碳排放量测算方法、装置及计算机设备 |
CN116843080A (zh) * | 2023-07-12 | 2023-10-03 | 济南明泉数字商务有限公司 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
CN116843080B (zh) * | 2023-07-12 | 2024-03-19 | 济南明泉数字商务有限公司 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
CN117217419A (zh) * | 2023-11-07 | 2023-12-12 | 中电山河数字科技(南通)有限公司 | 工业生产全生命周期碳排放监测方法及系统 |
CN117217419B (zh) * | 2023-11-07 | 2024-02-09 | 中电山河数字科技(南通)有限公司 | 工业生产全生命周期碳排放监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115423215A (zh) | 一种基于混合机器学习的碳排放预测方法及系统 | |
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN113589189B (zh) | 基于充放电数据特征的锂电池健康状况预测方法及装置 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN112381610A (zh) | 一种群租风险指数的预测方法及计算机设备 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
CN112907063A (zh) | 人口流动率和房屋空置率确定方法及终端设备 | |
CN115660226A (zh) | 电力负荷的预测模型构建方法和基于数字孪生的构建装置 | |
CN111126629A (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
Połap et al. | Energy consumption prediction model for smart homes via decentralized federated learning with LSTM | |
CN116885705A (zh) | 区域负荷预测方法及装置 | |
CN111738483A (zh) | 基于聚类和深层信念网络的电网降损优化方法及系统 | |
CN117396886A (zh) | 用于时间序列预测的时空图神经网络 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN112862070A (zh) | 一种利用图神经网络和胶囊网络的链路预测系统 | |
CN113379455B (zh) | 订单量预测方法和设备 | |
CN117254459A (zh) | 一种电力负荷峰值预测方法以及相关设备 | |
CN117709521A (zh) | 用电量预测方法、设备及存储介质 | |
CN116995667A (zh) | 一种基于预测协调的短期分层负荷在线预测方法及系统 | |
WO2023147781A1 (zh) | 模型的预测置信度评估方法及装置、设备、存储介质 | |
Ma et al. | Short-Term Household Load Forecasting Based on Attention Mechanism and CNN-ICPSO-LSTM. | |
Darwen | Two levels of Bayesian model averaging for optimal control of stochastic systems |
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 |