CN115577858A - 基于区块链的碳排放量预测方法、装置及电子设备 - Google Patents
基于区块链的碳排放量预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115577858A CN115577858A CN202211451892.8A CN202211451892A CN115577858A CN 115577858 A CN115577858 A CN 115577858A CN 202211451892 A CN202211451892 A CN 202211451892A CN 115577858 A CN115577858 A CN 115577858A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- feature
- training
- model
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 254
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 66
- 230000007246 mechanism Effects 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012887 quadratic function 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于区块链的碳排放量预测方法、装置及电子设备，涉及数据处理技术领域，该方法包括：获取待预测碳排放数据；将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；通过待预测碳排放数据训练初始联邦学习模型，以得到训练好的碳排放联邦模型。该方法通过区块链架构部署深度学习网络算法对待预测碳排放数据进行预测，提升了传统方式碳排放预测方法的预测精度。
Description
技术领域
本发明涉及计算机通信技术领域，尤其是涉及一种基于区块链的碳排放量预测方法、装置及电子设备。
背景技术
目前，在工业园区、大型集团内部，碳排放的预测模型通常需要各控排企业的生产数据、经营数据、工艺数据等，而这些数据大多为企业机密数据，将这些数据直接用于模型的训练，容易导致机密数据的泄露。进一步的，碳排放监测目前正处于起步阶段，部分企业为降低减排代价，存在上报虚假信息数据的现象，历史数据追溯难，减排工作真实性低。再者，碳排放量预测模型的训练，十分依赖于大量的训练样本，而训练样本的获取十分费时费力，部分企业成立时间较短，训练样本的标注更加困难。当带标记的训练样本不足时，容易产生预测精度低、预测模型鲁棒性差、泛化能力差等问题。
整体而言，现有的碳排放预测方法存在预测精度差的现状。
发明内容
本发明的目的在于提供一种基于区块链的碳排放量预测方法、装置及电子设备，可以提升碳排放预测方法的预测精度。
第一方面，本发明实施例提供了一种基于区块链的碳排放量预测方法，包括：获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，获取碳排放历史数据的步骤之后，该方法还包括：对该碳排放历史数据进行处理，得到碳排放历史数据特征；基于注意力机制的深度学习网络算法作为分类器搭建该初始联邦学习模型的步骤，包括：搭建注意力机制的深度学习网络算法模型；该注意力机制的深度学习网络算法模型的结构包括：卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数；该第一分组卷积注意力模块以及该第二分组卷积注意力模块包括：多个子卷积层以及随机森林Gini值计算层；根据该碳排放历史数据特征对该注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型；根据多个该注意力机制的深度学习网络算法模型，搭建该初始联邦学习模型。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，将该碳排放历史数据进行处理，得到碳排放历史数据特征的步骤，包括：将该碳排放历史数据进行标注，生成带有碳排放量数据标签的预处理数据；利用高斯噪声技术对该预处理数据进行数据扩充并进行数据归一化处理，得到扩充数据；对该扩充数据进行特征提取，得到该碳排放历史数据特征。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，对该扩充数据进行特征提取，得到该碳排放历史数据特征的步骤，包括：计算该扩充数据中任意两个样本点之间的相似度条件概率；其中，该两个样本点包括第一样本点和第二样本点；该相似度条件概率包括该第一样本点对于该第二样本点的第一相似度条件概率，以及该第二样本点对于该第一样本点的第二相似度条件概率；根据该第一相似度条件概率和第二相似度条件概率计算该扩充数据的特征数据，得到该碳排放历史数据特征。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据该第一相似度条件概率和第二相似度条件概率计算该扩充数据的特征数据，得到该碳排放历史数据特征的步骤，包括：根据该第一相似度条件概率和第二相似度条件概率，分别计算该第一相似度条件概率对应的第一相似度联合分布函数和该第二相似度条件概率对应的第二相似度联合分布函数；通过梯度下降法优化KL散度，计算该扩充数据的特征数据；其中，根据下述公式计算该特征数据：
其中，xj为上述扩充数据中第j个样本点对应的特征数据，xi为上述扩充数据中第i个样本点对应的特征数据，xe为上述扩充数据中第e个样本点对应的特征数据，x1为上述扩充数据中第1个样本点对应的特征数据，pij为上述第一相似度联合分布函数，qij为上述第二相似度联合分布函数，xnew为上述扩充数据，NT为上述扩充数据的个数。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，搭建注意力机制的深度学习网络算法模型的步骤之后，该方法包括：通过该随机森林Gini值计算层计算该碳排放历史数据特征的Gini值；根据该Gini值，搭建注意力增强模块；根据该注意力增强模块，更新该注意力机制的深度学习网络算法模型，得到增强型注意力机制的深度学习网络算法模型；根据该碳排放历史数据特征对该注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型的步骤，包括：根据该碳排放历史数据特征对该增强型注意力机制的深度学习网络算法模型进行训练，得到训练好的增强型注意力机制的深度学习网络算法模型；根据多个该注意力机制的深度学习网络算法模型，搭建该初始联邦学习模型的步骤，包括：根据多个该增强型注意力机制的深度学习网络算法模型，搭建该初始联邦学习模型。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，通过该随机森林Gini值计算层计算该碳排放历史数据特征的Gini值的步骤，包括：通过下述公式计算该Gini值：
其中，将上述碳排放历史数据特征作为训练样本，Gini(m)为上述Gini值，m为节点序号，K为上述碳排放历史数据特征的类别数，
为上述训练样本中节点m处样本属于第k类的概率估计值。
结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，如果该随机森林Gini值计算层中决策树的节点为n；根据该Gini值，搭建注意力增强模块的步骤，包括：计算该碳排放历史数据特征增强后的增强数据；根据该增强数据，搭建注意力增强模块；其中，通过下述公式计算该增强数据：
其中，上述公式对应的Gini( )为Gini值计算函数；GVIjkn为该碳排放历史数据特征中第j个子特征在该节点n时对该碳排放历史数据特征对应类别k的重要性，k为该第j个子特征对应的类别，Pkn为该类别为k的该碳排放历史数据特征在该节点n处的概率估计值，n为该节点的编号，GIparent、GIdaughterleft和GIdaughterright分别为该节点n的Gini指数和分裂后的两个新节点的Gini指数；pn为该碳排放历史数据特征在节点n处的概率估计值，pn-1为该碳排放历史数据特征在节点n-1处的概率估计值，pn+1为该碳排放历史数据特征在节点n+1处的概率估计值；将k类中包含该第j个子特征的节点的GVIjkn求和，得到该第j个子特征对于该k类的重要性：
其中，GVIjk为上述第j个子特征对于上述k类的重要性；N为节点总数；该第j个子特征在对应类别中的重要性通过以下公式获得：
其中，ntree为该决策树的个数；注意力增强的过程可以表示通过下述公式计算：
其中，RNo-Attenj为注意力增强之前的上述碳排放历史数据特征中的样本的第j个子特征，RAtten为注意力增强后的该碳排放历史数据特征中的样本，pb为注意力增强样本的该碳排放历史数据特征的数量，GVIj为该第j个子特征在对应类别中的重要性。
第二方面，本发明实施例还提供一种基于区块链的碳排放量预测装置，其中，包括：数据获取模块，用于获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；预测数据输出模块，用于将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。
第三方面，本发明实施例提供了一种电子设备，其中，上述电子设备包括处理器和存储器，上述存储器存储有能够被上述处理器执行的机器可执行指令，上述处理器执行上述机器可执行指令以实现第一方面至第一方面的第七种可能的实施方式任一项的基于区块链的碳排放量预测方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种基于区块链的碳排放量预测方法、装置及电子设备，其中，包括：获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。该方法通过区块链架构部署深度学习网络算法对待预测碳排放数据进行预测，提升碳排放预测方法的预测精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些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区块链的碳排放量预测方法的流程示意图；
图2为本发明实施例提供的一种构建碳排放联邦模型的训练方法流程示意图；
图3为本发明实施例提供的一种基于区块链的碳排放量预测装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
图标：31-数据获取模块；32-预测数据输出模块；41-存储器；42-处理器；43-总线；44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。
传统的碳排放量预测方法基于历史排放数据，首先进行二氧化碳排放量历史数据的变化趋势分析，然后推测未来二氧化碳排放量的变化，推模型的本质是选择合理的函数类型拟合历史数据的变化走向，拟合函数的选择的依据为历史数据的变化趋势，二次函数、对数函数和指数函数等为此类方法常选择的拟合函数，所以此类方法适用于历史数据变化规律较为明显的预测问题，但对于历史数据变化规律不明显的多影响因素预测问题的预测效果不理想。基于机器学习的碳排放量预测方法通常利用训练样本进行模型的训练，但难以解决机密数据泄露、历史数据追溯难、对训练样本依赖性强等问题，尤其是在训练样本不足的情况下，训练得到的模型十分容易产生过拟合现象。
基于此，本发明实施例提供了一种基于区块链的碳排放量预测方法、装置及电子设备，该技术可以缓解上述技术问题，该技术可以提升碳排放预测方法的预测精度。为便于对本发明实施例进行理解，首先对本发明实施例所公开的一种基于区块链的碳排放量预测方法进行详细介绍。
实施例1
如图1为本发明实施例提供的一种基于区块链的碳排放量预测方法的流程示意图。如图1所见，该方法包括以下步骤：
步骤S101：获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息。
该待预测碳排放数据大多为企业机密数据，将这些数据直接用于模型的训练，容易导致机密数据的泄露。
在本实施例中，该待预测碳排放数据包括：该企业的生产数据、经营数据、工艺数据。
步骤S102：将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。
在实际的操作中，上述部署区块链网络架构的过程如下：在每一个服务器端，每个路由器设备都有与其相关联的服务器设备（又称节点），与路由器设备相连的所有节点共同构成区块链。节点在收到各路由器设备上传的参数更新后，通过比较样本大小以及相应的本地计算时间来验证参数更新的真实性，验证通过的更新参数被存储在节点候选块中。每个区块分为头部和主体两部分：头部存放指向前一个块的指针信息，主体存放设备的本地模型更新。每个节点都有一个候选块，其中包含来自相关联的本地设备或其他节点的模型更新，候选块的填充过程一直进行，直到候选块达到预定块大小或者超出等待时间。
结合PoS、BFT和VRF的基于可验证随机函数的拜占庭共识机制（VBFT）能够抵抗恶意攻击，去中心化程度和安全性高，实现了网络的快速共识。本发明采用VBFT共识，其中每个区块的VRF值根据前一个区块计算得到，具体过程为提取前一个区块中的交易事务，计算1024bit的哈希值并将该哈希值作为输出。系统将网络分为共识网络和公共网络。用户通过质押代币后参与到共识网络，共识合约自动更新共识节点列表和相应权益（Pos表），每产生一个区块更新一次。每一个区块决定了VRF函数的一个输出，由VRF函数确定共识节点序列，根据节点序列分配优先级，然后通过节点优先级加权决定区块优先级，最后投票给优先级最高的区块，从而解决分叉问题。
进一步的，上述基于区块链的碳排放量预测方法需要大量有效的碳排放历史数据进行特征提取分析学习，采用联邦数据学习的设计方法使其实现了多企业联合模型的分布式数据学习，以打破传统数据资源孤岛，聚合获取更多有效数据。同时，联邦学习架构防止了各企业生产数据、经营数据、工艺数据等信息的泄露，数据在本地使用，模型在本地训练，有效保证了数据安全。在联邦学习框架中，控排企业不需要共享他们的本地训练模型数据，而是重新训练本地模型并将更新的模型发送到集中式学习单元进行汇总。
本发明实施例提供了一种基于区块链的碳排放量预测方法，其中，包括：获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。该方法通过区块链架构部署深度学习网络算法对待预测碳排放数据进行预测，提升碳排放预测方法的预测精度。
实施例2
在图1所示方法的基础上，本发明还提供了另一种基于区块链的碳排放量预测方法。该方法主要针对实施例1中的碳排放联邦模型的训练过程进行详细说明。图2为本发明实施例提供的一种构建碳排放联邦模型的训练方法流程示意图，如图2所见，通过下述训练步骤，得到该碳排放联邦模型：
步骤S201：获取碳排放历史数据，并部署区块链网络架构。
步骤S202：对该碳排放历史数据进行处理，得到碳排放历史数据特征。
在其中的一种实施方式中，上述步骤S202包括：首先，将该碳排放历史数据进行标注，生成带有碳排放量数据标签的预处理数据。然后，利用高斯噪声技术对该预处理数据进行数据扩充并进行数据归一化处理，得到扩充数据。最后，对该扩充数据进行特征提取，得到该碳排放历史数据特征。
这里，为解决样本的不平衡问题，本实施例使用Gauss噪声作为同类扩充方式，使用Mixup噪声作为混类扩充方式，对该预处理数据进行数据扩充。在使用Gauss噪声作为同类扩充方式中，对于单样本采取添加Gauss噪声，其中，它的概率密度函数服从Gauss分布的一类噪声，如下所示：
其中，将该预处理数据作为待扩充样本，上式中μ代表待扩充样本均值，x为上述待扩充样本，f(x)为扩充后的样本数据，
代表上述待扩充样本标准方差。对于每个待扩充样本，可以通过与Gauss分布得到的随机数进行相加，得到对应输出接结果。在使用Mixup噪声作为作为混类扩充方式中，将两个及以上的待扩充样本按照一定给比例进行混合，并依照该比例作为混合后样本的标签。
在扩充后的样本数据集基础上，假设该样本数据集中有M个少数类样本点，然后新增加M*N个少数类样本，其中，N为采样倍率。
首先，使用欧氏距离作为距离标准，点i∈{1,2,...,M}为非平衡样本中的少数类样本点。然后，计算少数类样本中的某一样本点与其它所有少数类样本点之间的距离，然后取离其最近的k个点构成其k近邻，按照这个方法，样本数据集中的M个少数类样本点都能得到其相应的k近邻。然后，确定出非平衡样本中的多数类样本的样本量Nm与少数类样本的样本量M，计算出Nm与M的比值，通过比值确定出采样倍率N。对于每一个少数类样本点i，从i的k近邻中随机挑选一个点j，然后确定一个随机数
，其中
∈(0,1)，新插入的样本点ij的方法如下式所示：
其中，Mi为i的空间向量，Mj为j的空间向量，Mij为ij的空间向量。
通过上述方法，在扩充样本i和扩充样本j之间生成了1个新的扩充样本点，如此重复N次，N个新生成的样本点就会出现在少数类扩充样本点i的附近。如此反复，对M个少数类样本都进行该操作，则会在少数扩充样本中生成M*N个样本点，如此就能够使不平衡的扩充样本变的更加平衡。对数据集Rtotal经过平衡处理后，得到扩充后的平衡的样本数据集Rtotal-balance。
在其中的一种实施方式中，对扩充后的样本数据集中的扩充数据进行归一化处理。
进一步的，对该扩充数据进行特征提取，得到该碳排放历史数据特征的步骤，包括：计算该扩充数据中任意两个样本点之间的相似度条件概率；其中，该两个样本点包括第一样本点和第二样本点；该相似度条件概率包括该第一样本点对于该第二样本点的第一相似度条件概率，以及该第二样本点对于该第一样本点的第二相似度条件概率；根据该第一相似度条件概率和第二相似度条件概率计算该扩充数据的特征数据，得到该碳排放历史数据特征。
这里，根据该第一相似度条件概率和第二相似度条件概率计算该扩充数据的特征数据，得到该碳排放历史数据特征的步骤，包括：首先，根据该第一相似度条件概率和第二相似度条件概率，分别计算该第一相似度条件概率对应的第一相似度联合分布函数和该第二相似度条件概率对应的第二相似度联合分布函数；通过梯度下降法优化KL散度，计算该扩充数据的特征数据；其中，根据下述公式计算该特征数据：
其中，xj为上述扩充数据中第j个样本点对应的特征数据，xi为上述扩充数据中第i个样本点对应的特征数据，xe为上述扩充数据中第e个样本点对应的特征数据，x1为上述扩充数据中第1个样本点对应的特征数据，pij为上述第一相似度联合分布函数，qij为上述第二相似度联合分布函数，xnew为上述扩充数据，NT为上述扩充数据的个数。
步骤S203：基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；基于注意力机制的深度学习网络算法作为分类器搭建该初始联邦学习模型的步骤，包括：搭建注意力机制的深度学习网络算法模型；该注意力机制的深度学习网络算法模型的结构包括：卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数；该第一分组卷积注意力模块以及该第二分组卷积注意力模块包括：多个子卷积层以及随机森林Gini值计算层；根据该碳排放历史数据特征对该注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型；根据多个该注意力机制的深度学习网络算法模型，搭建该初始联邦学习模型。
在本实施例中，卷积层为1D卷积层，卷积核尺寸为1×16，步长为1，最大池化层窗口尺寸为1×3，步长为3。
步骤S204：将该碳排放历史数据预设比例划分为训练集和测试集。
步骤S205：将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。
在其中的一种实施方式中，上述搭建注意力机制的深度学习网络算法模型的步骤之后，上述方法还包括：首先，通过上述随机森林Gini值计算层计算上述碳排放历史数据特征的Gini值。然后，根据该Gini值，搭建注意力增强模块。最后，根据上述注意力增强模块，更新上述注意力机制的深度学习网络算法模型，得到增强型注意力机制的深度学习网络算法模型。进一步的，上述根据该碳排放历史数据特征对该注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型的步骤，包括：根据该排放历史数据特征对该增强型注意力机制的深度学习网络算法模型进行训练，得到训练好的增强型注意力机制的深度学习网络算法模型。进一步的，上述根据多个上述注意力机制的深度学习网络算法模型，搭建上述初始联邦学习模型的步骤，包括：根据多个该增强型注意力机制的深度学习网络算法模型，搭建该初始联邦学习模型。
在实际的操作中，上述通过该随机森林Gini值计算层计算该碳排放历史数据特征的Gini值的步骤，包括：
通过下述公式计算该Gini值：
其中，将上述碳排放历史数据特征作为训练样本，Gini(m)为上述Gini值，m为节点序号，K为上述碳排放历史数据特征的类别数，
为上述训练样本中节点m处样本属于第k类的概率估计值。
这里，如果该随机森林Gini值计算层中决策树的节点为
；根据该Gini值，搭建注意力增强模块的步骤，包括：计算该碳排放历史数据特征增强后的增强数据；根据该增强数据，搭建注意力增强模块。
其中，通过下述公式计算该增强数据：
其中，上述公式对应的Gini( )为Gini值计算函数；GVIjkn为该碳排放历史数据特征中第j个子特征在该节点n时对该碳排放历史数据特征对应类别k的重要性，k为该第j个子特征对应的类别，Pkn为该类别为k的该碳排放历史数据特征在该节点n处的概率估计值，n为该节点的编号，GIparent、GIdaughterleft和GIdaughterright分别为该节点n的Gini指数和分裂后的两个新节点的Gini指数；pn为该碳排放历史数据特征在节点n处的概率估计值，pn-1为该碳排放历史数据特征在节点n-1处的概率估计值，pn+1为该碳排放历史数据特征在节点n+1处的概率估计值。
将k类中包含该第j个子特征的节点的GVIjkn求和，得到该第j个子特征对于该k类的重要性：
其中，GVIjk为上述第j个子特征对于上述k类的重要性；N为节点总数；该第j个子特征在对应类别中的重要性通过以下公式获得：
其中，ntree为该决策树的个数。
注意力增强的过程可以表示通过下述公式计算：
其中，RNo-Attenj为注意力增强之前的上述碳排放历史数据特征中的样本的第j个子特征，RAtten为注意力增强后的该碳排放历史数据特征中的样本，pb为注意力增强样本的该碳排放历史数据特征的数量，GVIj为该第j个子特征在对应类别中的重要性。
本发明实施例提供了一种基于区块链的碳排放量预测方法，其中，包括：获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；对该碳排放历史数据进行处理，得到碳排放历史数据特征；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；基于注意力机制的深度学习网络算法作为分类器搭建该初始联邦学习模型的步骤，包括：搭建注意力机制的深度学习网络算法模型；该注意力机制的深度学习网络算法模型的结构包括：卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数；该第一分组卷积注意力模块以及该第二分组卷积注意力模块包括：多个子卷积层以及随机森林Gini值计算层；根据该碳排放历史数据特征对该注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型；根据多个该注意力机制的深度学习网络算法模型，搭建该初始联邦学习模型；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。该方法通过搭建注意力机制的深度学习网络算法模型构建碳排放联邦模型，进一步提升碳排放预测方法的预测精度。
实施例3
本发明实施例还提供一种基于区块链的碳排放量预测装置，如图3示，为本发明实施例提供了一种基于区块链的碳排放量预测装置的结构示意图，包括：
数据获取模块31，用于获取待预测碳排放数据；该待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息。
预测数据输出模块32，用于将该待预测碳排放数据输入训练好的碳排放联邦模型中，输出该待预测碳排放数据的碳排放预测数据；其中，该碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于该区块链网络架构，搭建初始联邦学习模型；其中，该初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将该碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到该初始联邦学习模型中进行分类训练，将该初始联邦学习模型的训练参数上传到该区块链网络架构的中央服务器中，判断该训练参数是否达到预设收敛要求，如果达到该收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至该训练参数达到该收敛要求。
其中，上述数据获取模块31和预测数据输出模块32相连接。
本发明实施例提供的一种基于区块链的碳排放量预测装置，与上述实施例提供的一种基于区块链的碳排放量预测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例4
本实施例提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现基于区块链的碳排放量预测方法的步骤。
本实施例提供了一种计算机可读存储介质，其中存储有计算机程序，该计算机程序被处理器执行时实现基于区块链的碳排放量预测方法的步骤。
参见图4所示的一种电子设备的结构示意图，该电子设备包括：存储器41、处理器42，存储器41中存储有可在处理器42上运行的计算机程序，处理器执行计算机程序时实现上述基于区块链的碳排放量预测方法提供的步骤。
如图4所示，该设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口44（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，处理器42在接收到执行指令后，执行程序，前述本发明任一实施例揭示基于区块链的碳排放量预测装置所执行的方法可以应用于处理器42中，或者由处理器42实现。处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。
进一步地，本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器42调用和执行时，机器可执行指令促使处理器42实现上述基于区块链的碳排放量预测方法。
本发明实施例提供的电子设备和计算机可读存储介质具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
Claims (10)
1.一种基于区块链的碳排放量预测方法，其特征在于，包括：
获取待预测碳排放数据；所述待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；
将所述待预测碳排放数据输入训练好的碳排放联邦模型中，输出所述待预测碳排放数据的碳排放预测数据；
其中，所述碳排放联邦模型基于下述步骤搭建：
获取碳排放历史数据，并部署区块链网络架构；
基于所述区块链网络架构，搭建初始联邦学习模型；其中，所述初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；
将所述碳排放历史数据预设比例划分为训练集和测试集；
将训练集输入到所述初始联邦学习模型中进行分类训练，将所述初始联邦学习模型的训练参数上传到所述区块链网络架构的中央服务器中，判断所述训练参数是否达到预设收敛要求，如果达到所述收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至所述训练参数达到所述收敛要求。
2.根据权利要求1所述的基于区块链的碳排放量预测方法，其特征在于，获取碳排放历史数据的步骤之后，所述方法还包括：
对所述碳排放历史数据进行处理，得到碳排放历史数据特征；
基于注意力机制的深度学习网络算法作为分类器搭建所述初始联邦学习模型的步骤，包括：
搭建注意力机制的深度学习网络算法模型；所述注意力机制的深度学习网络算法模型的结构包括：卷积层、第一最大池化层、第一分组卷积注意力模块、第二分组卷积注意力模块、第二最大池化层、全连接层以及激活函数；所述第一分组卷积注意力模块以及所述第二分组卷积注意力模块包括：多个子卷积层以及随机森林Gini值计算层；
根据所述碳排放历史数据特征对所述注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型；
根据多个所述注意力机制的深度学习网络算法模型，搭建所述初始联邦学习模型。
3.根据权利要求2所述的基于区块链的碳排放量预测方法，其特征在于，将所述碳排放历史数据进行处理，得到碳排放历史数据特征的步骤，包括：
将所述碳排放历史数据进行标注，生成带有碳排放量数据标签的预处理数据；
利用高斯噪声技术对所述预处理数据进行数据扩充并进行数据归一化处理，得到扩充数据；
对所述扩充数据进行特征提取，得到所述碳排放历史数据特征。
4.根据权利要求3所述的基于区块链的碳排放量预测方法，其特征在于，对所述扩充数据进行特征提取，得到所述碳排放历史数据特征的步骤，包括：
计算所述扩充数据中任意两个样本点之间的相似度条件概率；其中，所述两个样本点包括第一样本点和第二样本点；所述相似度条件概率包括所述第一样本点对于所述第二样本点的第一相似度条件概率，以及所述第二样本点对于所述第一样本点的第二相似度条件概率；
根据所述第一相似度条件概率和第二相似度条件概率计算所述扩充数据的特征数据，得到所述碳排放历史数据特征。
5.根据权利要求4所述的基于区块链的碳排放量预测方法，其特征在于，根据所述第一相似度条件概率和第二相似度条件概率计算所述扩充数据的特征数据，得到所述碳排放历史数据特征的步骤，包括：
根据所述第一相似度条件概率和第二相似度条件概率，分别计算所述第一相似度条件概率对应的第一相似度联合分布函数和所述第二相似度条件概率对应的第二相似度联合分布函数；
通过梯度下降法优化KL散度，计算所述扩充数据的特征数据；其中，根据下述公式计算所述特征数据：
其中，xj为所述扩充数据中第j个样本点对应的特征数据，xi为所述扩充数据中第i个样本点对应的特征数据，xe为所述扩充数据中第e个样本点对应的特征数据，x1为所述扩充数据中第1个样本点对应的特征数据，pij为所述第一相似度联合分布函数，qij为所述第二相似度联合分布函数，xnew为所述扩充数据，NT为所述扩充数据的个数。
6.根据权利要求5所述的基于区块链的碳排放量预测方法，其特征在于，搭建注意力机制的深度学习网络算法模型的步骤之后，所述方法包括：
通过所述随机森林Gini值计算层计算所述碳排放历史数据特征的Gini值；
根据所述Gini值，搭建注意力增强模块；
根据所述注意力增强模块，更新所述注意力机制的深度学习网络算法模型，得到增强型注意力机制的深度学习网络算法模型；
根据所述碳排放历史数据特征对所述注意力机制的深度学习网络算法模型进行训练，得到训练好的注意力机制的深度学习网络算法模型的步骤，包括：
根据所述碳排放历史数据特征对所述增强型注意力机制的深度学习网络算法模型进行训练，得到训练好的增强型注意力机制的深度学习网络算法模型；
根据多个所述注意力机制的深度学习网络算法模型，搭建所述初始联邦学习模型的步骤，包括：
根据多个所述增强型注意力机制的深度学习网络算法模型，搭建所述初始联邦学习模型。
7.根据权利要求6所述的基于区块链的碳排放量预测方法，其特征在于，通过所述随机森林Gini值计算层计算所述碳排放历史数据特征的Gini值的步骤，包括：
通过下述公式计算所述Gini值：
其中，将所述碳排放历史数据特征作为训练样本，Gini(m)为所述Gini值，m为节点序号，K为所述碳排放历史数据特征的类别数，
为所述训练样本中节点m处样本属于第k类的概率估计值。
8.根据权利要求7所述的基于区块链的碳排放量预测方法，其特征在于，如果所述随机森林Gini值计算层中决策树的节点为n；根据所述Gini值，搭建注意力增强模块的步骤，包括：
计算所述碳排放历史数据特征增强后的增强数据；
根据所述增强数据，搭建注意力增强模块；
其中，通过下述公式计算所述增强数据：
其中，上述公式对应的Gini( )为Gini值计算函数；GVIjkn为所述碳排放历史数据特征中第j个子特征在所述节点n时对所述碳排放历史数据特征对应类别k的重要性，k为所述第j个子特征对应的类别，Pkn为所述类别为k的所述碳排放历史数据特征在所述节点n处的概率估计值，n为所述节点的编号，GIparent、GIdaughterleft和GIdaughterright分别为所述节点n的Gini指数和分裂后的两个新节点的Gini指数；pn为所述碳排放历史数据特征在节点n处的概率估计值，pn-1为所述碳排放历史数据特征在节点n-1处的概率估计值，pn+1为所述碳排放历史数据特征在节点n+1处的概率估计值；
将k类中包含所述第j个子特征的节点的GVIjkn求和，得到所述第j个子特征对于所述k类的重要性：
其中，GVIjk为所述第j个子特征对于所述k类的重要性；N为节点总数；所述第j个子特征在对应类别中的重要性通过以下公式获得：
其中，ntree为所述决策树的个数；
注意力增强的过程可以表示通过下述公式计算：
其中，RNo-Attenj为注意力增强之前的所述碳排放历史数据特征中的样本的第j个子特征，RAtten为注意力增强后的所述碳排放历史数据特征中的样本，pb为注意力增强样本的所述碳排放历史数据特征的数量，GVIj为所述第j个子特征在对应类别中的重要性。
9.一种基于区块链的碳排放量预测装置，其特征在于，包括：
数据获取模块，用于获取待预测碳排放数据；所述待预测碳排放数据用于指示企业关于碳排放相关的生产经营信息；
预测数据输出模块，用于将所述待预测碳排放数据输入训练好的碳排放联邦模型中，输出所述待预测碳排放数据的碳排放预测数据；其中，所述碳排放联邦模型基于下述步骤搭建：获取碳排放历史数据，并部署区块链网络架构；基于所述区块链网络架构，搭建初始联邦学习模型；其中，所述初始联邦学习模型基于注意力机制的深度学习网络算法作为分类器进行搭建；将所述碳排放历史数据预设比例划分为训练集和测试集；将训练集输入到所述初始联邦学习模型中进行分类训练，将所述初始联邦学习模型的训练参数上传到所述区块链网络架构的中央服务器中，判断所述训练参数是否达到预设收敛要求，如果达到所述收敛要求则训练结束，得到训练好的碳排放联邦模型；否则继续训练直至所述训练参数达到所述收敛要求。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的基于区块链的碳排放量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211451892.8A CN115577858B (zh) | 2022-11-21 | 2022-11-21 | 基于区块链的碳排放量预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211451892.8A CN115577858B (zh) | 2022-11-21 | 2022-11-21 | 基于区块链的碳排放量预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115577858A true CN115577858A (zh) | 2023-01-06 |
| CN115577858B CN115577858B (zh) | 2023-04-07 |
Family
ID=84589432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211451892.8A Active CN115577858B (zh) | 2022-11-21 | 2022-11-21 | 基于区块链的碳排放量预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115577858B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110228A (zh) * | 2023-04-06 | 2023-05-12 | 齐鲁云商数字科技股份有限公司 | 一种基于区块链的城市交通快速化引导系统 |
| CN116341768A (zh) * | 2023-05-29 | 2023-06-27 | 中南大学 | 一种基于深度学习的碳排放量预测方法 |
| CN117057487A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网碳排放强度预测方法、系统、设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132277A (zh) * | 2020-09-21 | 2020-12-25 | 平安科技（深圳）有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
| CN112738034A (zh) * | 2020-12-17 | 2021-04-30 | 杭州趣链科技有限公司 | 一种基于垂直联邦学习的区块链钓鱼节点检测方法 |
| CN112784995A (zh) * | 2020-12-31 | 2021-05-11 | 杭州趣链科技有限公司 | 联邦学习方法、装置、设备及存储介质 |
| CN113362160A (zh) * | 2021-06-08 | 2021-09-07 | 南京信息工程大学 | 一种用于信用卡反欺诈的联邦学习方法和装置 |
| CN113380345A (zh) * | 2021-06-08 | 2021-09-10 | 河南大学 | 基于深度森林的有机化学偶联反应产率预测与分析方法 |
| WO2021189906A1 (zh) * | 2020-10-20 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
| CN113794675A (zh) * | 2021-07-14 | 2021-12-14 | 中国人民解放军战略支援部队信息工程大学 | 基于区块链和联邦学习的分布式物联网入侵检测方法及系统 |
| CN114219147A (zh) * | 2021-12-13 | 2022-03-22 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
| CN114443754A (zh) * | 2020-11-03 | 2022-05-06 | 中国电信股份有限公司 | 基于区块链的联邦学习处理方法、装置、系统以及介质 |
| CN114662780A (zh) * | 2022-04-06 | 2022-06-24 | 国网冀北电力有限公司计量中心 | 碳排放量预测方法、装置、电子设备及存储介质 |
| CN114676742A (zh) * | 2021-12-08 | 2022-06-28 | 山东省计算中心（国家超级计算济南中心） | 一种基于注意力机制和残差网络的电网异常用电检测方法 |
| CN114692836A (zh) * | 2022-05-08 | 2022-07-01 | 陈秉佑 | 一种区块链辅助的人员负面情绪综合评估方法和系统 |
| CN115081008A (zh) * | 2021-03-16 | 2022-09-20 | 海信集团控股股份有限公司 | 数据联合的方法和电子设备 |
| CN115242559A (zh) * | 2022-09-23 | 2022-10-25 | 北京航空航天大学 | 基于区块链和联邦学习的网络流量入侵检测方法 |
-
2022
- 2022-11-21 CN CN202211451892.8A patent/CN115577858B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132277A (zh) * | 2020-09-21 | 2020-12-25 | 平安科技（深圳）有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
| WO2021189906A1 (zh) * | 2020-10-20 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
| CN114443754A (zh) * | 2020-11-03 | 2022-05-06 | 中国电信股份有限公司 | 基于区块链的联邦学习处理方法、装置、系统以及介质 |
| CN112738034A (zh) * | 2020-12-17 | 2021-04-30 | 杭州趣链科技有限公司 | 一种基于垂直联邦学习的区块链钓鱼节点检测方法 |
| CN112784995A (zh) * | 2020-12-31 | 2021-05-11 | 杭州趣链科技有限公司 | 联邦学习方法、装置、设备及存储介质 |
| CN115081008A (zh) * | 2021-03-16 | 2022-09-20 | 海信集团控股股份有限公司 | 数据联合的方法和电子设备 |
| CN113362160A (zh) * | 2021-06-08 | 2021-09-07 | 南京信息工程大学 | 一种用于信用卡反欺诈的联邦学习方法和装置 |
| CN113380345A (zh) * | 2021-06-08 | 2021-09-10 | 河南大学 | 基于深度森林的有机化学偶联反应产率预测与分析方法 |
| CN113794675A (zh) * | 2021-07-14 | 2021-12-14 | 中国人民解放军战略支援部队信息工程大学 | 基于区块链和联邦学习的分布式物联网入侵检测方法及系统 |
| CN114676742A (zh) * | 2021-12-08 | 2022-06-28 | 山东省计算中心（国家超级计算济南中心） | 一种基于注意力机制和残差网络的电网异常用电检测方法 |
| CN114219147A (zh) * | 2021-12-13 | 2022-03-22 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
| CN114662780A (zh) * | 2022-04-06 | 2022-06-24 | 国网冀北电力有限公司计量中心 | 碳排放量预测方法、装置、电子设备及存储介质 |
| CN114692836A (zh) * | 2022-05-08 | 2022-07-01 | 陈秉佑 | 一种区块链辅助的人员负面情绪综合评估方法和系统 |
| CN115242559A (zh) * | 2022-09-23 | 2022-10-25 | 北京航空航天大学 | 基于区块链和联邦学习的网络流量入侵检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王蓉等: "基于联邦学习和卷积神经网络的入侵检测方法", 《信息网络安全》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110228A (zh) * | 2023-04-06 | 2023-05-12 | 齐鲁云商数字科技股份有限公司 | 一种基于区块链的城市交通快速化引导系统 |
| CN116341768A (zh) * | 2023-05-29 | 2023-06-27 | 中南大学 | 一种基于深度学习的碳排放量预测方法 |
| CN117057487A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网碳排放强度预测方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115577858B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115577858B (zh) | 基于区块链的碳排放量预测方法、装置及电子设备 | |
| CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
| CN107451597A (zh) | 一种样本类别标签纠正方法及装置 | |
| CN113326377B (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
| CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
| CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
| CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
| WO2019223104A1 (zh) | 确定事件影响因素的方法、装置、终端设备及可读存储介质 | |
| CN113139651A (zh) | 基于自监督学习的标签比例学习模型的训练方法和设备 | |
| CN110493221A (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
| CN111259952A (zh) | 异常用户识别方法、装置、计算机设备及存储介质 | |
| CN111522736A (zh) | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 | |
| CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
| CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
| CN113360300B (zh) | 接口调用链路生成方法、装置、设备及可读存储介质 | |
| CN112835682B (zh) | 一种数据处理方法、装置、计算机设备和可读存储介质 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN110889467A (zh) | 一种公司名称匹配方法、装置、终端设备及存储介质 | |
| CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
| CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN111241297B (zh) | 一种基于标签传播算法的图谱数据处理方法及装置 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
| CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
| CN111291792A (zh) | 基于双进化的流量数据类型集成分类方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |