CN115564152A - 基于stirpat模型的碳排放量预测方法及装置 - Google Patents
基于stirpat模型的碳排放量预测方法及装置 Download PDFInfo
- Publication number
- CN115564152A CN115564152A CN202211556671.7A CN202211556671A CN115564152A CN 115564152 A CN115564152 A CN 115564152A CN 202211556671 A CN202211556671 A CN 202211556671A CN 115564152 A CN115564152 A CN 115564152A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- model
- initial
- preset
- historical
- 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 644
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 628
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004590 computer program Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 12
- SQNZJJAZBFDUTD-UHFFFAOYSA-N durene Chemical compound CC1=CC(C)=C(C)C=C1C SQNZJJAZBFDUTD-UHFFFAOYSA-N 0.000 description 38
- 230000007613 environmental effect Effects 0.000 description 15
- 238000010248 power generation Methods 0.000 description 12
- 238000005265 energy consumption Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000011273 social behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于STIRPAT模型的碳排放量预测方法及装置。方法包括：从数据库中获取预设周期内碳排放量的历史影响指标；根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；根据碳排放量预测结果计算碳排放权使用额度。本申请基于STIRPAT模型及空间杜宾模型构建预设碳排放量模型，能够提高预设碳排放量模型的准确性。从而，采用预设碳排放量模型进行碳排放量预测，生成的碳排放量预测结果准确性也有所提高。进而，根据碳排放量预测结果计算碳排放权使用额度，能够提高碳排放权使用额度的准确性。
Description
技术领域
本申请涉及碳排放预测技术领域，特别是涉及一种基于STIRPAT模型的碳排放量预测方法及装置。
背景技术
随着社会经济的发展，二氧化碳排放量越来越高，引发了全球气温上升等问题。因此，人们越来越关注碳排放量的管理和控制。在实行碳排放权的相关制度时，给各社会区域分配未来一个周期内的碳排放权额度，藉此督促各社会区域在碳排放权额度内积极进行碳减排。
目前管理部门通常只能获知本地区内各个企业在当前碳排放权周期内的碳排放权已用额度，无法通过预测当前碳排放权周期内剩余时间段的碳排放量，来预测各个企业在当前碳排放权周期剩余时间内的碳排放权使用额度。进而，导致管理部门难以预测是否能完成本地区的碳减排目标。
传统方法中，通常采用STIRPAT模型对碳排放量进行预测。然而，采用STIRPAT模型对碳排放量进行预测的方法，存在准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高碳排放量预测准确性的基于STIRPAT模型的碳排放量预测方法及装置。
第一方面，本申请提供了一种基于STIRPAT模型的碳排放量预测方法。所述方法包括：
从数据库中获取预设周期内碳排放量的历史影响指标；
根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；所述预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
根据所述碳排放量预测结果计算碳排放权使用额度。
在其中一个实施例中，所述方法还包括：
从数据库中获取预设周期内的历史碳排放量；
根据所述历史碳排放量、所述历史影响指标以及初始STIRPAT模型，计算所述初始STIRPAT模型的第一初始参数；
根据所述历史碳排放量、所述历史影响指标以及初始碳排放量模型，计算所述初始碳排放量模型的初始参数；所述初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
若所述初始空间杜宾模型的初始参数满足预设条件，则基于所述初始碳排放量模型的初始参数生成预设碳排放量模型。
在其中一个实施例中，所述方法还包括：
若所述初始空间杜宾模型的初始参数不满足预设条件，则基于所述初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
在其中一个实施例中，所述方法还包括：
获取所述历史碳排放量的滞后项及所述历史影响指标的滞后项；
根据所述初始STIRPAT模型、所述历史碳排放量的滞后项及所述历史影响指标的滞后项，生成所述初始碳排放量模型。
在其中一个实施例中，所述根据所述历史碳排放量、所述历史影响指标以及初始碳排放量模型，计算所述初始碳排放量模型的初始参数，包括：
将所述历史碳排放量、所述历史影响指标输入至所述初始碳排放量模型，生成线性表达式；
采用多元线性回归算法对所述线性表达式进行拟合，生成所述初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
在其中一个实施例中，所述根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果，包括：
根据所述预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对所述预设周期的下一周期内碳排放量的影响指标进行预测，生成所述下一周期内碳排放量的预测影响指标；
将所述下一周期内碳排放量的预测影响指标输入至所述预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
在其中一个实施例中，所述碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；所述资源分类指标包括至少一个子资源分类指标，所述碳排放技术指标包括至少一个子碳排放技术指标；
所述从数据库中获取预设周期内碳排放量的历史影响指标，包括：
从数据库中获取所述预设周期内预设区域的人口总量指标；
根据所述预设周期内预设区域的所述至少一个子资源分类指标，采用熵权法计算所述预设区域的资源分类指标；
根据所述预设周期内预设区域的所述至少一个子碳排放技术指标，采用熵权法计算所述预设区域的碳排放技术指标。
第二方面，本申请还提供了一种基于STIRPAT模型的碳排放量预测装置。所述装置包括：
历史影响指标获取模块，用于从数据库中获取预设周期内碳排放量的历史影响指标；
碳排放量预测模块，用于根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；所述预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
碳排放权使用额度计算模块，用于根据所述碳排放量预测结果计算碳排放权使用额度。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项实施例中的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
上述基于STIRPAT模型的碳排放量预测方法及装置，从数据库中获取预设周期内碳排放量的历史影响指标；根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；根据碳排放量预测结果计算碳排放权使用额度。本申请中所采用的预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型，其中，空间杜宾模型考虑了地区之间的空间溢出性，避免了传统STIRPAT模型由于未考虑到地区之间的空间溢出性而导致的碳排放权使用额度预测不准确的问题。从而，采用预设碳排放量模型进行碳排放量预测，生成的碳排放量预测结果准确性也有所提高。进而，根据碳排放量预测结果计算碳排放权使用额度，就能够提高所计算出的碳排放权使用额度的准确性。
附图说明
图1为一个实施例中基于STIRPAT模型的碳排放量预测方法的应用环境图；
图2为一个实施例中基于STIRPAT模型的碳排放量预测方法的流程示意图；
图3为另一个实施例中第一预设碳排放量模型生成步骤的流程示意图；
图4为另一个实施例中第二预设碳排放量模型生成步骤的流程示意图；
图5为另一个实施例中初始碳排放量模型生成步骤的流程示意图；
图6为一个实施例中第一初始参数计算步骤的流程示意图；
图7为一个实施例中碳排放量预测步骤的流程示意图；
图8为一个具体的实施例中基于STIRPAT模型的碳排放量预测方法的流程示意图；
图9为一个实施例中基于STIRPAT模型的碳排放量预测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于STIRPAT模型的碳排放量预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据库可以存储服务器104需要处理的数据。数据库可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104从数据库中获取预设周期内碳排放量的历史影响指标；服务器104根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；服务器104根据碳排放量预测结果计算碳排放权使用额度。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于STIRPAT模型的碳排放量预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤220，从数据库中获取预设周期内碳排放量的历史影响指标。
具体的，数据库可以存储服务器104需要处理的预设周期内碳排放量的历史影响指标等数据。因此，服务器104可以从数据库中获取预设周期内碳排放量的历史影响指标。可选的，服务器104可以直接从数据库中获取预设周期内碳排放量的历史影响指标；服务器104也可以先从数据库中获取预设周期内碳排放量的初始历史影响指标，再根据预设周期内碳排放量的初始历史影响指标进行计算，得到预设周期内碳排放量的历史影响指标。其中，预设周期可以为一季度、半年、一年等预设时间周期，当然，本申请实施例对此不做限定。碳排放量的历史影响指标是指数据库中影响碳排放量的历史指标。
步骤240，根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型。
可选的，服务器104可以直接根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；服务器104也可以先通过获取的碳排放量的历史影响指标预测出预设周期的下一周期内碳排放量的影响指标，再根据预设周期的下一周期内碳排放量的影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。其中，预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型。可拓展的随机性的环境影响评估模型（Stochastic Impacts by Regression on Population,Affluence,and Technology，STIRPAT）是对人口、经济、技术三个自变量和环境因变量之间的关系进行评估的模型。空间杜宾模型（Spatial Dubin Model，SDM）是空间滞后模型和空间误差项模型的组合扩展形式，是一个通过加入空间滞后变量而增强的空间滞后模型，空间杜宾模型考虑了地区之间的空间溢出性（即邻近地区的社会行为会对本地区的社会行为产生影响）。
步骤260，根据碳排放量预测结果计算碳排放权使用额度。
具体的，服务器104可以预先获取到碳排放量与碳排放权使用额度之间的对应关系，并根据碳排放量与碳排放权使用额度之间的对应关系及碳排放量预测结果，计算出碳排放权使用额度。其中，碳排放量预测结果指某地区在当前碳排放权周期剩余时间段内的预测碳排放量。碳排放权使用额度指某地区在当前碳排放权周期剩余时间段内的预测碳排放权使用量。
之后，服务器104可以根据某地区当前碳排放权周期的碳排放权额度以及当前碳排放权周期的碳排放权已用额度，计算当前碳排放权周期的剩余额度。服务器104将某地区的碳排放权使用额度与该地区当前碳排放权周期的剩余额度进行比较，判断该地区在当前碳排放权额度周期是否存在超额风险。若某地区的碳排放权使用额度大于该地区当前碳排放权周期的剩余额度，则存在超额风险，输出超额风险提示，该超额风险提示包括预计超额额度信息（即某地区的碳排放权使用额度与该地区当前碳排放权周期的剩余额度的差值），用于地区管理部门了解当前碳排放权周期可能超出额度的量，促使地区管理部门调整相关碳排放措施以降低当前碳排放权周期剩余时间段内的碳排放量；若某地区的碳排放权使用额度不大于该地区当前碳排放权周期的剩余额度，则不存在超额风险，输出不超额提示，不超额提示包括预计剩余额度信息（即某地区当前碳排放权周期的剩余额度与该地区碳排放权使用额度的差值），用于地区管理部门了解到当前碳排放权周期可能剩余额度的量。
上述基于STIRPAT模型的碳排放量预测方法中，从数据库中获取预设周期内碳排放量的历史影响指标；根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；根据碳排放量预测结果计算碳排放权使用额度。本申请中所采用的预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型，其中，空间杜宾模型考虑了地区之间的空间溢出性，避免了传统STIRPAT模型由于未考虑到地区之间的空间溢出性而导致的碳排放权使用额度预测不准确的问题。从而，采用预设碳排放量模型进行碳排放量预测，生成的碳排放量预测结果准确性也有所提高。进而，根据碳排放量预测结果计算碳排放权使用额度，就能够提高所计算出的碳排放权使用额度的准确性。
在一个实施例中，如图3所示，基于STIRPAT模型的碳排放量预测方法还包括：
步骤320，从数据库中获取预设周期内的历史碳排放量。
具体的，数据库可以存储服务器104需要处理的预设周期内的历史碳排放量等数据。因此，服务器104可以从数据库中获取预设周期内的历史碳排放量。具体获取步骤如下：首先，从数据库中获取某地区在预设周期内的非发电用化石能源消费数据和火电消费数据，其中，非发电用化石能源消费数据包括各类化石能源的消费数据，火电消费数据包括该地区的火力发电总量、该地区的外送电量及该地区的外部输入电力等火电消费数据。当预设周期为一个季度时，而非发电用化石能源消费数据只能以年为单位获取时，可以按照该地区各季度的火电消费数据占该年度火电消费数据的比例，将年度非发电用化石能源消费数据划分成四个季度的非发电用化石能源消费数据，从而得到该地区各个季度的非发电用化石能源消费数据。
其次，根据火电消费数据和火电消费数据对应的排放因子，计算火电消费的碳排放量。火电消费的碳排放量的计算公式如公式（1）所示：
CE=LPC+OPC （1）
其中，CE表示火电消费的碳排放量；LPC表示由该地区发电的火电消费产生的碳排放量，由该地区发电的火电消费产生的碳排放量等于该地区火力发电总量与外送电量的差值，再与该地区电力（电网）碳排放因子的乘积；OPC表示由其他地区输电的火电消费产生的碳排放量，由其他地区输电的火电消费产生的碳排放量等于外部输入电力与输入电力所在地区电力（电网）碳排放因子的乘积。如表1所示，表1为不同地区电网对应的碳排放因子。
表1
之后，根据计算出的火电消费的碳排放量以及预设周期内的非发电用化石能源消费数据，计算预设周期内的历史碳排放量。预设周期内的历史碳排放量的计算公式如公式（2）所示：
T=H1*P1+H2*P2+……+Hn*Pn+CE （2）
其中，T为预设周期内的历史碳排放量，Hn为第n个非发电用化石能源消费数据，Pn为第n个非发电用化石能源消费数据Hn对应的碳排放因子，CE为火电消费的碳排放量。
如表2所示，表2为不同类别的非发电用化石能源消费数据对应的碳排放因子。
表2
步骤340，根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数。
具体的，初始STIRPAT模型为未改进的STIRPAT模型，初始STIRPAT模型的表达式如公式（3）所示：
I=aPb Ac Td e （3）
其中，I代表环境指标，在本实施例中表示预设周期内的历史碳排放量；P表示人口指标，A表示经济指标，T表示技术指标；a表示环境系数，b表示人口指标对环境指标的影响弹性系数，c表示经济指标对环境指标的影响弹性系数，d表示技术指标对环境指标的影响弹性系数，e代表误差项。
对初始STIRPAT模型的表达式的两边均取对数可以得到初始STIRPAT模型的线性表达式，初始STIRPAT模型的线性表达式如公式（4）所示：
lnI=lna+blnP+clnA+dlnT+lne （4）
由于预设周期内碳排放量的历史影响指标包括但不仅限于人口指标、经济指标及技术指标，因此，服务器104可以将获得的历史碳排放量以及历史影响指标输入初始STIRPAT模型的线性表达式，并采用多元线性回归算法对初始STIRPAT模型的线性表达式进行拟合，从而计算生成初始STIRPAT模型的第一初始参数。其中，初始STIRPAT模型的第一初始参数包括初始STIRPAT模型的环境系数a、人口指标对环境指标的影响弹性系数b、经济指标对环境指标的影响弹性系数c、技术指标对环境指标的影响弹性系数d以及误差项e。
步骤360，根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型。
具体的，服务器104可以根据历史碳排放量、历史影响指标以及初始碳排放量模型，通过初始碳排放量模型进行拟合，从而计算出初始碳排放量模型的初始参数。其中，初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型，初始空间杜宾模型为未经改进的空间杜宾模型，初始碳排放量模型是通过初始空间杜宾模型对初始STIRPAT模型改进后的模型。可选的，可以将初始空间杜宾模型与初始STIRPAT模型结合，从而构建出初始碳排放量模型；也可以通过初始空间杜宾模型改进初始STIRPAT模型的部分参数，从而构建出初始碳排放量模型。初始碳排放量模型的初始参数包括初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
步骤380，若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。
具体的，由于初始碳排放量模型的初始参数包括初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数，因此，服务器104可以判断初始空间杜宾模型的初始参数是否满足预设条件。若计算出的初始空间杜宾模型的初始参数满足预设条件，则服务器104可以基于初始碳排放量模型的初始参数生成预设碳排放量模型，即将初始碳排放量模型的初始参数赋予预设碳排放量模型的线性表达式，从而生成预设碳排放量模型。其中，预设条件可以根据初始碳排放量模型的初始参数的实际情况进行设置，本申请实施例对此不做限定。
本实施例中，从数据库中获取预设周期内的历史碳排放量；根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数；根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。本申请实施例使用历史碳排放量、历史影响指标分别与初始STIRPAT模型以及初始碳排放量模型进行计算，并分别生成初始STIRPAT模型的第一初始参数以及初始碳排放量模型的初始参数，其中，初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型。再通过判断初始空间杜宾模型的初始参数是否满足预设条件，确定出更准确的模型参数，从而能够使用更准确的模型参数生成预设碳排放量模型。
在一个实施例中，基于STIRPAT模型的碳排放量预测方法还包括：
若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
具体的，服务器104可以判断初始空间杜宾模型的初始参数是否满足预设条件。若计算出的初始空间杜宾模型的初始参数不满足预设条件，则服务器104可以基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型，即将初始STIRPAT模型的第一初始参数赋予预设碳排放量模型的线性表达式，从而生成预设碳排放量模型。其中，预设条件可以根据初始碳排放量模型的初始参数的实际情况进行设置，本申请实施例对此不做限定。
本实施例中，若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型。通过判断初始空间杜宾模型的初始参数是否满足预设条件，确定出更准确的模型参数，从而能够使用更准确的模型参数生成预设碳排放量模型。
在一个实施例中，如图4所示，基于STIRPAT模型的碳排放量预测方法还包括：
步骤420，获取历史碳排放量的滞后项及历史影响指标的滞后项。
步骤440，根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型。
具体的，由于考虑到地区之间发展存在的空间溢出性（即邻近地区的社会行为会对本地区的社会行为产生影响），服务器104可以使用空间杜宾模型确定出历史碳排放量的滞后项及历史影响指标的滞后项，并在初始STIRPAT模型的线性表达式右边加入历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型的初始线性表达式，从而得到初始碳排放量模型。初始碳排放量模型的初始线性表达式如公式（5）所示：
lnI=lna+blnP+clnA+dlnT+a' lnWI+b' lnWP+c' lnWA+d' lnWT+lne （5）
其中，a' lnWI表示历史碳排放量的滞后项，b' lnWP、c' lnWA及d' lnWT表示历史影响指标的滞后项；a'、b'、c'、d'表示空间因子系数；W为空间矩阵，通常指距离矩阵，距离矩阵的公式如公式（6）所示：
Wij=1/dij 2 （6）
其中，Wij表示i地区与j地区之间的距离矩阵，dij表示i地区与j地区之间的距离，示例性的，可以选取这示i地区与j地区各自的核心城市之间的距离。
本实施例中，获取历史碳排放量的滞后项及历史影响指标的滞后项；根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型。由于可以通过空间杜宾模型中的滞后项判断出地区之间的空间溢出性对碳排放量预测的影响，因此，通过在初始STIRPAT模型中加入历史碳排放量的滞后项及历史影响指标的滞后项，能够确定出碳排放量预测的准确性。
在一个实施例中，如图5所示，根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数，包括：
步骤520，将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式。
具体的，服务器104可以将历史碳排放量、历史影响指标输入至初始碳排放量模型中的初始线性表达式中，生成线性表达式。其中，初始碳排放量模型中的初始线性表达式为初始碳排放量模型构建的一个线性表达式，生成的线性表达式为包含历史碳排放量、历史影响指标的初始碳排放量模型的线性表达式。
步骤540，采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
具体的，服务器104可以采用多元线性回归算法对生成的初始碳排放量模型的线性表达式进行拟合，从而计算生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。其中，初始STIRPAT模型的第二初始参数包括初始碳排放量模型的环境系数a、人口指标对环境指标的影响弹性系数b、经济指标对环境指标的影响弹性系数c、技术指标对环境指标的影响弹性系数d以及误差项e；初始空间杜宾模型的初始参数包括初始碳排放量模型的空间因子系数a'、空间因子系数b'、空间因子系数c'以及空间因子系数d'。
本实施例中，将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式；采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。通过多元线性回归算法对初始碳排放量模型的线性表达式进行拟合，能够较准确的计算出初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
在一个实施例中，如图6所示，根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果，包括：
步骤620，根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标。
具体的，服务器104可以根据数据库中获取的预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标。其中，预设周期的下一周期可以为一季度、半年、一年等预设时间周期，当然，本申请实施例对此不做限定。
采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测的具体步骤为：首先，确定第一预设期限、第二预设期限的第一水平L1、第二水平L2、第一趋势T1、第二趋势T2。其中，若历史数据序列小于15个预设期限，则将第一水平L1、第二水平L2都设置为前三个预设期限的平均值，将第一趋势T1、第二趋势T2都设置为前三个预设期限的实际趋势平均值；若历史数据序列大于或等于15个预设期限，则将第一水平L1设置为第1预设期限的实际值，将第二水平L2设置为第2预设期限的实际值，将第一趋势T1设置为第1预设期限的实际趋势值，将第二趋势T2设置为第2预设期限的实际趋势值。
其次，将第一预设期限、第二预设期限的第一水平L1、第二水平L2、第一趋势T1、第二趋势T2输入至水平公式以及趋势公式中进行递归，得到下一预设期限的水平值以及下一预设期限的趋势值。下一预设期限的水平值的计算公式（水平公式）如公式（7）所示：
其中，Lt表示第t预设期限的水平值，Lt-1表示第t-1预设期限的水平值；Tt-1表示第t-1预设期限的趋势值；St表示第t预设期限的实际值；α表示水平平滑系数，取值范围为[0,1]。
下一预设期限的趋势值的计算公式（趋势公式）如公式（8）所示：
其中，Lt表示第t预设期限的水平值，Lt-1表示第t-1预设期限的水平值；Tt表示第t预设期限的趋势值，Tt-1表示第t-1预设期限的趋势值；β表示趋势平滑系数，取值范围为[0,1]。
之后，将下一预设期限的水平值以及下一预设期限的趋势值代入预测公式进行计算，得到下一预设期限的预测值。下一预设期限的预测值的计算公式（预测公式）如公式（9）所示：
其中，Lt表示第t预设期限的水平值，Tt表示第t预设期限的趋势值；Ft+m表示第t预设期限后m个预设期限的预测值，m代表预测值距离实际值的预设期限个数。
示例性的，若得到了2011年至2020年的碳排放量的历史影响指标数据，并设置水平平滑系数为0.6，趋势平滑系数为0.1，则可以预测出2021年至2025年的碳排放量的预测影响指标。如表3所示，表3为2011年至2025年碳排放量的历史影响指标数据的实际值、水平值、趋势值以及预测值。
表3
步骤640，将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
具体的，服务器104可以将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。之后，将此时的碳排放量预测结果作为已知结果，并将预设周期推后至碳排放量预测结果对应的期限，从而得到新的预设周期。再采用新的预设周期中的数据回归得到新的参数，从而迭代更新模型参数。
示例性的，若根据2011年至2020年的历史碳排放量、历史影响指标数据得到初始碳排放量模型的初始参数，并根据初始碳排放量模型的初始参数得到2021年的碳排放量预测结果，则可以根据2012年至2020年的历史碳排放量、2012年至2020年的历史影响指标数据以及2021年的碳排放量预测结果回归得到初始碳排放量模型的新的初始参数。并根据新的初始参数是否显著（即是否满足预设条件），判断是否对初始参数进行更新。如表4所示，表4为初始参数是否更新的判断原则。
表4
本实施例中，根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标；将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。通过采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，相较于直接采用历史影响指标下一周期的预测碳排放量，能够提高碳排放量预测结果的准确性。此外，根据逐年迭代更新模型参数，能够提高预设碳排放量模型的准确性。
在一个实施例中，如图7所示，碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；资源分类指标包括至少一个子资源分类指标，碳排放技术指标包括至少一个子碳排放技术指标；
从数据库中获取预设周期内碳排放量的历史影响指标，包括：
步骤720，从数据库中获取预设周期内预设区域的人口总量指标。
具体的，数据库可以存储服务器104需要处理的预设周期内碳排放量的历史影响指标等数据。因此，服务器104可以从数据库中获取预设周期内碳排放量的历史影响指标中的预设周期内预设区域的人口总量指标。其中，预设周期可以为一季度、半年、一年等预设时间周期，当然，本申请实施例对此不做限定。
步骤740，根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标。
具体的，服务器104可以获得各历史影响指标以及各历史影响指标包含的子指标。如表5所示，表5为各历史影响指标以及各历史影响指标包含的子指标。
表5
服务器104可以根据得到的预设周期内预设区域的子资源分类指标（二级变量列，对应包括地区生产总值、产业结构、城镇化程度、城镇从业人员工资），采用熵权法计算预设区域的资源分类指标。熵权法的具体步骤为：第一，对某地区的资源分类指标的各子资源分类指标进行归一化处理，归一化的计算公式如公式（10）所示：
其中，Xij为区域i的资源分类指标的第j个子资源分类指标的归一化结果，xij为区域i的资源分类指标的第j个子资源分类指标，min{xij}为所有区域的资源分类指标的第j个子资源分类指标中的最小值，max{xij}为所有区域的资源分类指标的第j个子资源分类指标中的最大值。
第二，计算区域i的资源分类指标的第j子资源分类指标占所有区域的资源分类指标的第j个子资源分类指标的总和的比重，区域i的资源分类指标的第j子资源分类指标的占比的计算公式如公式（11）所示：
其中，
为区域i的资源分类指标的第j子资源分类指标占所有区域的资源分类指标的第j个子资源分类指标的总和的比重，Xij为区域i的资源分类指标的第j个子资源分类指标的归一化结果。
第三，计算区域i的资源分类指标的第j子资源分类指标的信息熵，信息熵的计算公式如公式（12）所示：
其中，
为区域i的资源分类指标的第j子资源分类指标占所有区域的资源分类指标的第j个子资源分类指标的总和的比重，n为区域的总数，ej为第j子资源分类指标的信息熵。
第四，计算区域i的资源分类指标的第j子资源分类指标的熵权，熵权的计算公式如公式（13）所示：
其中，熵权ωj为第j子资源分类指标的熵权，ej为第j子资源分类指标的信息熵。
第五，根据各子资源分类指标与各子资源分类指标的熵权，计算预设区域的资源分类指标。
步骤760，根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标。
具体的，服务器104可以获得各历史影响指标以及各历史影响指标包含的子指标，并根据预设周期内预设区域的至少一个子碳排放技术指标（二级变量列，对应包括清洁电能、电能替代、人均受教育程度、人均专利授权、科研投入），采用熵权法计算预设区域的碳排放技术指标。具体计算步骤可参考资源分类指标的计算过程，此处不再赘述。
本实施例中，从数据库中获取预设周期内预设区域的人口总量指标；根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标；根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标。采用熵权法计算资源分类指标与碳排放技术指标，能够较准确地将各子指标转换成碳排放量预测所需要的资源分类指标与碳排放技术指标。
在一个具体的实施例中，如图8所示，提供了一种基于STIRPAT模型的碳排放量预测方法，包括：
步骤802，从数据库中获取预设周期内预设区域的人口总量指标；
步骤804，根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标；
步骤806，根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标；
步骤808，从数据库中获取预设周期内的历史碳排放量；
步骤810，根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数；
步骤812，获取历史碳排放量的滞后项及历史影响指标的滞后项；
步骤814，根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型；
步骤816，将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式；
步骤818，采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
步骤820，若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。
步骤822，若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型；
步骤824，根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标；
步骤826，将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
步骤828，根据碳排放量预测结果计算碳排放权使用额度。
上述基于STIRPAT模型的碳排放量预测方法，从数据库中获取预设周期内碳排放量的历史影响指标；根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；根据碳排放量预测结果计算碳排放权使用额度。本申请中所采用的预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型，其中，空间杜宾模型考虑了地区之间的空间溢出性，避免了传统STIRPAT模型由于未考虑到地区之间的空间溢出性而导致的碳排放权使用额度预测不准确的问题。从而，采用预设碳排放量模型进行碳排放量预测，生成的碳排放量预测结果准确性也有所提高。进而，根据碳排放量预测结果计算碳排放权使用额度，就能够提高所计算出的碳排放权使用额度的准确性。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于STIRPAT模型的碳排放量预测方法的基于STIRPAT模型的碳排放量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于STIRPAT模型的碳排放量预测装置实施例中的具体限定可以参见上文中对于基于STIRPAT模型的碳排放量预测方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种基于STIRPAT模型的碳排放量预测装置900，包括：影响指标获取模块920、碳排放量预测模块940和碳排放权使用额度计算模块960，其中：
影响指标获取模块920，用于从数据库中获取预设周期内碳排放量的历史影响指标。
碳排放量预测模块940，用于根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；所述预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型。
碳排放权使用额度计算模块960，用于根据所述碳排放量预测结果计算碳排放权使用额度。
在一个实施例中，基于STIRPAT模型的碳排放量预测装置900还包括：
历史碳排放量获取模块，用于从数据库中获取预设周期内的历史碳排放量；
第一初始参数计算模块，用于根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数；
初始参数计算模块，用于根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
第一预设碳排放量模型生成模块，用于若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。
在一个实施例中，基于STIRPAT模型的碳排放量预测装置900还包括：
第二预设碳排放量模型生成模块，用于若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
在一个实施例中，基于STIRPAT模型的碳排放量预测装置900还包括：
滞后项获取模块，用于获取历史碳排放量的滞后项及历史影响指标的滞后项；
初始碳排放量模型生成模块，用于根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型。
在一个实施例中，第一初始参数计算模块，包括：
线性表达式生成单元，用于将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式；
初始参数计算单元，用于采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
在一个实施例中，碳排放量预测模块940，包括：
预测影响指标生成单元，用于根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标；
碳排放量预测结果生成单元，用于将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
在一个实施例中，碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；资源分类指标包括至少一个子资源分类指标，碳排放技术指标包括至少一个子碳排放技术指标；
影响指标获取模块920，包括：
人口总量指标获取单元，用于从数据库中获取预设周期内预设区域的人口总量指标；
资源分类指标获取单元，用于根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标；
碳排放技术指标获取单元，用于根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标。
上述基于STIRPAT模型的碳排放量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于STIRPAT模型的碳排放量预测数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于STIRPAT模型的碳排放量预测方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从数据库中获取预设周期内碳排放量的历史影响指标；
根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
根据碳排放量预测结果计算碳排放权使用额度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从数据库中获取预设周期内的历史碳排放量；
根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数；
根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取历史碳排放量的滞后项及历史影响指标的滞后项；
根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型。
在一个实施例中，根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数，处理器执行计算机程序时还实现以下步骤：
将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式；
采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
在一个实施例中，根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果，处理器执行计算机程序时还实现以下步骤：
根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标；
将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
在一个实施例中，碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；资源分类指标包括至少一个子资源分类指标，碳排放技术指标包括至少一个子碳排放技术指标；
从数据库中获取预设周期内碳排放量的历史影响指标，处理器执行计算机程序时还实现以下步骤：
从数据库中获取预设周期内预设区域的人口总量指标；
根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标；
根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从数据库中获取预设周期内碳排放量的历史影响指标；
根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
根据碳排放量预测结果计算碳排放权使用额度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从数据库中获取预设周期内的历史碳排放量；
根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数；
根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取历史碳排放量的滞后项及历史影响指标的滞后项；
根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型。
在一个实施例中，根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数，计算机程序被处理器执行时还实现以下步骤：
将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式；
采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
在一个实施例中，根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果，计算机程序被处理器执行时还实现以下步骤：
根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标；
将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
在一个实施例中，碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；资源分类指标包括至少一个子资源分类指标，碳排放技术指标包括至少一个子碳排放技术指标；
从数据库中获取预设周期内碳排放量的历史影响指标，计算机程序被处理器执行时还实现以下步骤：
从数据库中获取预设周期内预设区域的人口总量指标；
根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标；
根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
从数据库中获取预设周期内碳排放量的历史影响指标；
根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
根据碳排放量预测结果计算碳排放权使用额度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从数据库中获取预设周期内的历史碳排放量；
根据历史碳排放量、历史影响指标以及初始STIRPAT模型，计算初始STIRPAT模型的第一初始参数；
根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数；初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
若初始空间杜宾模型的初始参数满足预设条件，则基于初始碳排放量模型的初始参数生成预设碳排放量模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若初始空间杜宾模型的初始参数不满足预设条件，则基于初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取历史碳排放量的滞后项及历史影响指标的滞后项；
根据初始STIRPAT模型、历史碳排放量的滞后项及历史影响指标的滞后项，生成初始碳排放量模型。
在一个实施例中，根据历史碳排放量、历史影响指标以及初始碳排放量模型，计算初始碳排放量模型的初始参数，计算机程序被处理器执行时还实现以下步骤：
将历史碳排放量、历史影响指标输入至初始碳排放量模型，生成线性表达式；
采用多元线性回归算法对线性表达式进行拟合，生成初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
在一个实施例中，根据碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果，计算机程序被处理器执行时还实现以下步骤：
根据预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对预设周期的下一周期内碳排放量的影响指标进行预测，生成下一周期内碳排放量的预测影响指标；
将下一周期内碳排放量的预测影响指标输入至预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
在一个实施例中，碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；资源分类指标包括至少一个子资源分类指标，碳排放技术指标包括至少一个子碳排放技术指标；
从数据库中获取预设周期内碳排放量的历史影响指标，计算机程序被处理器执行时还实现以下步骤：
从数据库中获取预设周期内预设区域的人口总量指标；
根据预设周期内预设区域的至少一个子资源分类指标，采用熵权法计算预设区域的资源分类指标；
根据预设周期内预设区域的至少一个子碳排放技术指标，采用熵权法计算预设区域的碳排放技术指标。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种基于STIRPAT模型的碳排放量预测方法，其特征在于，所述方法包括：
从数据库中获取预设周期内碳排放量的历史影响指标；
根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；所述预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
根据所述碳排放量预测结果计算碳排放权使用额度。
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：
从数据库中获取预设周期内的历史碳排放量；
根据所述历史碳排放量、所述历史影响指标以及初始STIRPAT模型，计算所述初始STIRPAT模型的第一初始参数；
根据所述历史碳排放量、所述历史影响指标以及初始碳排放量模型，计算所述初始碳排放量模型的初始参数；所述初始碳排放量模型包含初始STIRPAT模型以及初始空间杜宾模型；
若所述初始空间杜宾模型的初始参数满足预设条件，则基于所述初始碳排放量模型的初始参数生成预设碳排放量模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若所述初始空间杜宾模型的初始参数不满足预设条件，则基于所述初始STIRPAT模型的第一初始参数生成预设碳排放量模型。
4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：
获取所述历史碳排放量的滞后项及所述历史影响指标的滞后项；
根据所述初始STIRPAT模型、所述历史碳排放量的滞后项及所述历史影响指标的滞后项，生成所述初始碳排放量模型。
5.根据权利要求2或3所述的方法，其特征在于，所述根据所述历史碳排放量、所述历史影响指标以及初始碳排放量模型，计算所述初始碳排放量模型的初始参数，包括：
将所述历史碳排放量、所述历史影响指标输入至所述初始碳排放量模型，生成线性表达式；
采用多元线性回归算法对所述线性表达式进行拟合，生成所述初始STIRPAT模型的第二初始参数以及初始空间杜宾模型的初始参数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果，包括：
根据所述预设周期内碳排放量的历史影响指标，采用霍尔特双参数平滑法对所述预设周期的下一周期内碳排放量的影响指标进行预测，生成所述下一周期内碳排放量的预测影响指标；
将所述下一周期内碳排放量的预测影响指标输入至所述预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果。
7.根据权利要求1所述的方法，其特征在于，所述碳排放量的历史影响指标包括预设区域的人口总量指标、预设区域的资源分类指标及预设区域的碳排放技术指标；所述资源分类指标包括至少一个子资源分类指标，所述碳排放技术指标包括至少一个子碳排放技术指标；
所述从数据库中获取预设周期内碳排放量的历史影响指标，包括：
从数据库中获取所述预设周期内预设区域的人口总量指标；
根据所述预设周期内预设区域的所述至少一个子资源分类指标，采用熵权法计算所述预设区域的资源分类指标；
根据所述预设周期内预设区域的所述至少一个子碳排放技术指标，采用熵权法计算所述预设区域的碳排放技术指标。
8.一种基于STIRPAT模型的碳排放量预测装置，其特征在于，所述装置包括：
历史影响指标获取模块，用于从数据库中获取预设周期内碳排放量的历史影响指标；
碳排放量预测模块，用于根据所述碳排放量的历史影响指标及预设碳排放量模型进行碳排放量预测，生成碳排放量预测结果；所述预设碳排放量模型为基于STIRPAT模型及空间杜宾模型所构建的模型；
碳排放权使用额度计算模块，用于根据所述碳排放量预测结果计算碳排放权使用额度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211556671.7A CN115564152A (zh) | 2022-12-06 | 2022-12-06 | 基于stirpat模型的碳排放量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211556671.7A CN115564152A (zh) | 2022-12-06 | 2022-12-06 | 基于stirpat模型的碳排放量预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115564152A true CN115564152A (zh) | 2023-01-03 |
Family
ID=84770678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211556671.7A Pending CN115564152A (zh) | 2022-12-06 | 2022-12-06 | 基于stirpat模型的碳排放量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564152A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116451960A (zh) * | 2023-04-20 | 2023-07-18 | 南方电网能源发展研究院有限责任公司 | 基于电力调度的碳排放权配额调度方法、装置和设备 |
| CN117830064A (zh) * | 2024-03-06 | 2024-04-05 | 浙电(宁波北仑)智慧能源有限公司 | 碳排放评估方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140330606A1 (en) * | 2013-05-03 | 2014-11-06 | General Electric Company | System and method for scheduling |
| CN114077970A (zh) * | 2021-11-19 | 2022-02-22 | 中国科学院地理科学与资源研究所 | 一种基于城市形态的碳排放相关因子的确定方法及装置 |
| CN114461697A (zh) * | 2022-01-04 | 2022-05-10 | 武汉理工大学 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
| CN114707120A (zh) * | 2022-04-25 | 2022-07-05 | 昆明理工大学 | 一种测算碳排放规模的统计学建模方法 |
| CN114781272A (zh) * | 2022-05-11 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 碳排放量预测方法、装置、设备及存储介质 |
| CN114819668A (zh) * | 2022-05-05 | 2022-07-29 | 国网安徽省电力有限公司经济技术研究院 | 一种基于电力碳排放分析的能源系统碳排放影响力分析方法 |
-
2022
- 2022-12-06 CN CN202211556671.7A patent/CN115564152A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140330606A1 (en) * | 2013-05-03 | 2014-11-06 | General Electric Company | System and method for scheduling |
| CN114077970A (zh) * | 2021-11-19 | 2022-02-22 | 中国科学院地理科学与资源研究所 | 一种基于城市形态的碳排放相关因子的确定方法及装置 |
| CN114461697A (zh) * | 2022-01-04 | 2022-05-10 | 武汉理工大学 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
| CN114707120A (zh) * | 2022-04-25 | 2022-07-05 | 昆明理工大学 | 一种测算碳排放规模的统计学建模方法 |
| CN114819668A (zh) * | 2022-05-05 | 2022-07-29 | 国网安徽省电力有限公司经济技术研究院 | 一种基于电力碳排放分析的能源系统碳排放影响力分析方法 |
| CN114781272A (zh) * | 2022-05-11 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 碳排放量预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王锋等: "多维度城镇化视角下的碳排放影响因素研究――基于中国省域数据的空间杜宾面板模型", 《中国人口 资源与环境》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451960A (zh) * | 2023-04-20 | 2023-07-18 | 南方电网能源发展研究院有限责任公司 | 基于电力调度的碳排放权配额调度方法、装置和设备 |
| 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 |
| CN117830064A (zh) * | 2024-03-06 | 2024-04-05 | 浙电(宁波北仑)智慧能源有限公司 | 碳排放评估方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meinshausen et al. | Monte Carlo methods for the valuation of multiple‐exercise options | |
| CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
| Zhang et al. | Validation and calibration of an agent‐based model: A surrogate approach | |
| CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| Puccetti et al. | Reduction of Value-at-Risk bounds via independence and variance information | |
| CN113159715B (zh) | 客服坐席排班方法、系统、电子装置和存储介质 | |
| Aas et al. | Bounds on total economic capital: the DNB case study | |
| Hubert et al. | Fast robust SUR with economical and actuarial applications | |
| Lopes et al. | Particle learning for fat-tailed distributions | |
| Segnon et al. | Forecasting market risk of portfolios: copula-Markov switching multifractal approach | |
| CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
| Pirvu | Portfolio optimization under the value-at-risk constraint | |
| Shapiro et al. | Dual bounds for periodical stochastic programs | |
| Yu et al. | Risk-averse flexible policy on ambulance allocation in humanitarian operations under uncertainty | |
| Araujo et al. | General equilibrium with uncertainty loving preferences | |
| CN113837467B (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
| CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
| Haley et al. | Disparity, shortfall, and twice-endogenous hara utility | |
| Luo et al. | Modeling and forecasting the multivariate realized volatility of financial markets with time-varying sparsity | |
| CN111598296A (zh) | 电力负载预测方法、装置、计算机设备和存储介质 | |
| CN117764638B (zh) | 一种供电企业售电数据预测方法、系统、设备及存储介质 | |
| CN117132335A (zh) | 资源合约中资源交易值的确定方法、装置和计算机设备 | |
| CN116468467A (zh) | 电网设备材料代价预测方法、装置、设备、介质和产品 | |
| CN117726419A (zh) | 资源数据处理方法、装置、计算机设备、存储介质 | |
| Tseng et al. | A Simple Approach for Multi‐fidelity Experimentation Applied to Financial Engineering |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230103 |