CN115759346A - 一种基于ao算法的碳排放量预测方法、装置及设备 - Google Patents
一种基于ao算法的碳排放量预测方法、装置及设备 Download PDFInfo
- Publication number
- CN115759346A CN115759346A CN202211296068.XA CN202211296068A CN115759346A CN 115759346 A CN115759346 A CN 115759346A CN 202211296068 A CN202211296068 A CN 202211296068A CN 115759346 A CN115759346 A CN 115759346A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- algorithm
- influence factors
- prediction model
- prediction
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 153
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 152
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012216 screening Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 31
- 241000251468 Actinopterygii Species 0.000 claims description 67
- 238000005457 optimization Methods 0.000 claims description 47
- 241001417045 Lophius litulon Species 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000019637 foraging behavior Effects 0.000 claims description 12
- 230000007758 mating behavior Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 241000791868 Selene orstedii Species 0.000 claims description 6
- 230000009182 swimming Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 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
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000013011 mating Effects 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 208000013407 communication difficulty Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及环境科学与机器学习技术领域，公开了一种基于AO算法的碳排放量预测方法、装置及设备。本发明从预置的多个碳排放影响因素中筛选目标影响因素；运用AO算法，优化分数阶灰色预测模型的阶数和支持向量回归预测模型的核心参数，分别训练得到碳排放影响因素预测模型和碳排放量预测模型，基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值，将该预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测。本发明存在可解释性强、客观性强、预测精度高以及适用范围较大的优点，能够为不同地区和行业的碳排放量预测提供较精确的科学依据。
Description
技术领域
本发明涉及环境科学与机器学习技术领域，尤其涉及一种基于AO算法的碳排放量预测方法、装置及设备。
背景技术
碳排放量预测技术是实现碳排放控制的重要手段。传统统计学方法分析对于碳排放领域的研究在数据精度方面存在较大不足，而机器学习方法对于碳排放量的预测则存在解释性较弱的缺点，因此将统计学方法和机器学习方法相结合，科学准确地预测各地区和行业的碳排放量具有非常重要的意义。
传统的碳排放预测方法大都是建立在大量碳排放量的历史数据基础之上，使用统计学中的各类时间序列预测方法进行预测，未能合理考虑社会其他因素的影响，因此也未能有效体现碳排放量随社会发展变化而变化的趋势。
随着人工智能技术的发展，各类机器学习预测方法在碳排放研究领域的应用也愈来愈多，但大部分机器学习方法都需要大量样本数据进行训练，且预测过程具备较强的不可解释性，导致研究的前期预测数据收集工作及后期预测结果分析工作难度较大甚至无法实行，具有一定的局限性。而大量研究在考虑到影响因素的前提下，对于未来碳排放影响因素的分析预测则是大量采用了情景分析法，将制定的各影响因素发展计划直接作为预测模型的输入，这种方法虽具备可解释性较强的特点，但也存在适应性弱、可推广性较弱、主观性强、预测精度较低等缺点，不适用于部分地区和行业的碳排放预测研究中。
岭回归(ridge regression)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法。其通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价，从而获得回归系数更为符合实际、更可靠的回归结果，对存在共线性问题和病态数据的拟合要强于最小二乘法。在碳排放影响因素的研究中，各影响因素之间往往存在一定程度的共线性问题，而岭回归分析对数据之间的共线性问题能起到较好的处理效果。
解释结构模型(Interpretative Structural Modeling Method，ISM)是现代系统工程中广泛应用的一种分析方法，其主要对研究的概念系统通过一系列数学上的拓扑运算最终给出一个最精简的层次化有向拓扑图。其以层级拓扑图的方式展示结论，可以一目了然地了解系统因素的因果层次和阶梯结构，具有结构清晰、计算简便、结论直观、易于理解、可信度高等特点。
支持向量机(Support Vector Machine，SVM)作为一种新的数据挖掘技术，由美国学者Vladimir N.Vapnik于1995年首先提出，建立在统计学习理论(Statistical LearningTheory，SLT)和VC(Vapnik-Chervonenkis，VC)理论的基础上，有着成熟的数学理论基础。不同于其他大多数机器学习算法只考虑经验风险最小化，SVR通过引入惩罚因子或规则化参数，对经验风险与置信风险进行折中，寻求结构风险最小化，从而解决了由于样本数量有限，传统学习机器泛化能力不足的问题；同时，其在求解过程中，又将问题转化为凸二次规划优化问题，可通过求解拉格朗日函数得到解，从而保证了得到的解是全局最优解，因此其具有结构简单、泛化能力较好等优点，在模式识别以及函数预测领域获得了广泛应用。通过在支持向量机中引入误差值ε，实现了对回归问题研究的拓展。支持向量回归机(ε-SupportVector Regression,ε-SVR)能够较好地解决样本规律未知、小样本、非线性及高维模式识别中的“过拟合”和“维数灾难”问题。除此之外，ε-SVR模型已经存在一些现成的核函数和损失函数模型，只需选择合适的参数即可用于计算，大大减少了数据量和计算量，从而提高了工作效率。因此，ε-SVR非常适合对小样本预测问题的研究。
灰色模型(Grey Model，GM)最早于1982年由中国学者邓聚龙教授提出，用以解决解决“小样本、贫信息”不确定系统问题。其通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。后经大量学者的研究和改良，灰色系统理论产生了多种灰色预测变种模型。其中分数阶灰色模型(Fractional Grey Model，FGM)就属于灰色系统理论中的重要成员。分数阶灰色模型是在传统灰色模型的基础上引入分数阶累加，从而优化传统的灰色模型建模机制，得到更好的预测结果。
发明内容
本发明提供了一种基于AO算法的碳排放量预测方法、装置及设备，解决了现有碳排放量预测方法存在可解释性弱、主观性强、预测精度低以及适用范围小的缺点的技术问题。
本发明提供一种基于AO算法的碳排放量预测方法，包括：
从预置的多个碳排放影响因素中筛选目标影响因素；
获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO(安康鱼优化)算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；
基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；
获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；
将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；
其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解。
根据本发明第一方面的一种能够实现的方式，所述从预置的多个碳排放影响因素中筛选目标影响因素，包括：
基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；
对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素。
根据本发明第一方面的一种能够实现的方式，所述基于解释结构模型法对各所述碳排放影响因素进行分析，包括：
对各所述碳排放影响因素进行两两比较分析，得到原始邻接关系布尔矩阵；
根据所述原始邻接关系布尔矩阵计算得到可达矩阵；
基于所述可达矩阵，采用解释结构模型构建碳排放影响因素的层次拓扑图。
根据本发明第一方面的一种能够实现的方式，所述基于分析得到的层次拓扑图筛选出关键影响因素，包括：
根据所述层次拓扑图确定底层影响因素；
从所述多个碳排放影响因素中筛除所述底层影响因素，得到关键影响因素。
根据本发明第一方面的一种能够实现的方式，所述剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，包括：
剔除所述岭回归系数低于0.05的关键影响因素。
根据本发明第一方面的一种能够实现的方式，所述AO算法具体包括：
设置种群数量、求解维度和迭代次数，初始化种群；
进行全局寻优，其中使用莱维飞行形成新的解；
对所有解进行莱维飞行运算，形成新的解；
对比莱维飞行后的新解与原解的适应度大小，选取适应度较小的解；
将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；
对适应度最高的头鱼进行随机游走；
雌鱼以头鱼的位置和种群平均位置为目标进行游走；
雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走；
对比追赶后的新解与原解的适应度大小，选取适应度较小的解；
判断算法结束条件；当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。
根据本发明第一方面的一种能够实现的方式，所述运用AO算法优化所述分数阶灰色预测模型的阶数，包括：
采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数；
和/或，所述运用AO算法优化所述支持向量回归预测模型的参数，包括：
采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数。
本发明第二方面提供一种基于AO算法的碳排放量预测装置，包括：
筛选模块，用于从预置的多个碳排放影响因素中筛选目标影响因素；
第一构建模块，用于获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；
第一预测模块，用于基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；
第二构建模块，用于获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；
第二预测模块，用于将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；
其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解。
根据本发明第二方面的一种能够实现的方式，所述筛选模块包括：
第一筛选单元，用于基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；
第二筛选单元，用于对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素。
根据本发明第二方面的一种能够实现的方式，所述第一筛选单元包括：
分析子单元，用于对各所述碳排放影响因素进行两两比较分析，得到原始邻接关系布尔矩阵；
计算子单元，用于根据所述原始邻接关系布尔矩阵计算得到可达矩阵；
构建子单元，用于基于所述可达矩阵，采用解释结构模型构建碳排放影响因素的层次拓扑图。
根据本发明第二方面的一种能够实现的方式，所述第一筛选单元还包括：
确定子单元，用于根据所述层次拓扑图确定底层影响因素；
筛选子单元，用于从所述多个碳排放影响因素中筛除所述底层影响因素，得到关键影响因素。
根据本发明第二方面的一种能够实现的方式，所述第二筛选单元包括：
剔除子单元，用于剔除所述岭回归系数低于0.05的关键影响因素。
根据本发明第二方面的一种能够实现的方式，所述AO算法具体包括：
设置种群数量、求解维度和迭代次数，初始化种群；
进行全局寻优，其中使用莱维飞行形成新的解；
对所有解进行莱维飞行运算，形成新的解；
对比莱维飞行后的新解与原解的适应度大小，选取适应度较小的解；
将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；
对适应度最高的头鱼进行随机游走；
雌鱼以头鱼的位置和种群平均位置为目标进行游走；
雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走；
对比追赶后的新解与原解的适应度大小，选取适应度较小的解；
判断算法结束条件；当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。
根据本发明第二方面的一种能够实现的方式，所述第一构建模块包括：
第一采用单元，用于采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数；
和/或，所述第二构建模块包括：
第二采用单元，用于采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数。
本发明第三方面提供了一种基于AO算法的碳排放量预测设备，包括：
存储器，用于存储指令；其中，所述指令用于实现如上任意一项能够实现的方式所述的基于AO算法的碳排放量预测方法；
处理器，用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质，所述计算机可读存储介质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如上任意一项能够实现的方式所述的基于AO算法的碳排放量预测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明从预置的多个碳排放影响因素中筛选目标影响因素；运用AO算法，优化分数阶灰色预测模型的阶数和支持向量回归预测模型的参数，并分别训练得到碳排放影响因素预测模型和碳排放量预测模型，基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值，将该预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；本发明从多个碳排放影响因素中筛选出目标影响因素，使得碳排放量预测模型的建立更为符合实际，一方面利用AO算法优化分数阶灰色预测模型中的阶数，进而获取目标影响因素的预测值，增大了适用范围与客观性，另一方面通过AO算法对支持向量回归预测模型的参数进行优化，构建更为客观精准的碳排放量预测模型，能够更好地解决样本规律未知、小样本、偏非线性及高维模式识别中的“过拟合”和“维数灾难”问题，按照该方法进行碳排放量预测，不仅可提高预测的准确性和高效性，更具有可解释性强、适用范围大等优点，解决了现有碳排放量预测方法存在可解释性弱、主观性强、预测精度低以及适用范围小的缺点的技术问题，能够为不同地区和行业的碳排放量预测提供较精确的科学依据。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一个可选实施例提供的AO算法的流程图；
图2为本发明一个可选实施例提供的一种基于AO算法的碳排放量预测方法的流程图；
图3为本发明一个可选实施例提供的碳排放影响因素的层次拓扑图的示意图；
图4为本发明一个可选实施例提供的一种基于AO算法的碳排放量预测装置的结构连接框图。
附图标记：
1-筛选模块；2-第一构建模块；3-第一预测模块；4-第二构建模块；5-第二预测模块。
具体实施方式
本发明实施例提供了一种基于AO算法的碳排放量预测方法、装置及设备，用于解决现有碳排放量预测方法存在可解释性弱、主观性强、预测精度低以及适用范围小的缺点的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
本发明第一方面实施例提供了一种基于AO算法的碳排放量预测方法。
AO算法(即安康鱼优化算法)是本申请提出的一种新型的智能启发式算法，用于对分数阶灰色预测模型和支持向量回归预测模型进行参数优化。本优化算法受安康鱼特殊生活习性启发，按照其觅食和交配行为将搜索种群分为雌鱼和雄鱼两大群体，充分利用全体搜索种群资源。为更好地阐述本实施例的方法，下面对AO算法进行具体阐述。
安康鱼是一种生活于深海中的肉食性鱼类动物，其外形较为奇特，双眼长在头背上，头部长有巨大月牙形嘴，以便有效捕食猎物。雌雄安康鱼生活习性极为不同，雌鱼体型远大于雄鱼，且雄性安康鱼不具备独立生存能力。大部分雌性安康鱼头部长有形似小灯笼的拟饵，该器官在黑暗的深海环境中可起到明显的诱捕效果，也有助于雄性对雌性的发现，以促进交配。
雄鱼的卵一经孵化，即会立刻借助发达的嗅觉和视觉器官寻找雌性安康鱼进行寄生和交配，一旦雄鱼长时间找不到雌性即会面临死亡。当雄鱼发现雌鱼时，雄鱼会咬附在雌鱼皮肤上，通过释放一种消化雄鱼嘴和身体皮肤的酶，将它们之间的血管进行融合，从而实现共生。雄鱼通过共享的循环系统接受营养物质而依赖于雌鱼，同时为雌鱼提供精子。
所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解。
在一种能够实现的方式中，如图1所示，所述AO算法具体包括：
设置种群数量、求解维度和迭代次数，初始化种群；
进行全局寻优，其中使用莱维飞行形成新的解；
对所有解进行莱维飞行运算，形成新的解；
对比莱维飞行后的新解与原解的适应度大小，选取适应度较小的解；
将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；
对适应度最高的头鱼进行随机游走；
雌鱼以头鱼的位置和种群平均位置为目标进行游走；
雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走；
对比追赶后的新解与原解的适应度大小，选取适应度较小的解；
判断算法结束条件；当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。
具体地，本算法按照安康鱼雌鱼雄鱼的生活习性主要分为两个部分：
一、随机游走觅食：将安康鱼在深海中随机游走觅食模拟为全局寻优的过程，用莱维飞行算法进行模拟。其公式表达式为：
Xt+1＝Xt+αL(s,λ)
式中，Xt+1表示安康鱼在第t+1时刻的位置，Xt表示安康鱼在第t时刻的位置，α为步长比例因子，α＞0，一般是α＝1，L(s,λ)为服从莱维分布的路径，s,λ为莱维飞行参数。
在莱维飞行结束后获得一个新解，通过计算并比较新旧解的适应度大小，从而获得适应度最大的解，从而实现全局搜索寻优。
二、雌鱼雄鱼种群搜索：根据雌鱼和雄鱼不同生活习性采取不同寻优公式进行模拟。
(1)作为雌鱼的头鱼，其占据了适应度最高的位置，此时只能通过寻找其它同类进行随机寻优，以公式表达为：
式中，
表示第t时刻适应度最高的安康鱼位置，c为鱼群搜索的步长修正系数，rand为0到1的随机数，
表示第t时刻随机安康鱼的位置。
(2)对于其它雌鱼，数量大致为总群体的50％，一方面雌鱼受觅食本能影响，会不断往食物量较高的地方移动，一方面受繁殖本能影响，则会往群体中心移动，其公式表达为：
式中，
表示第i条安康鱼在第t时刻的位置，
表示种群平均位置，β1为鱼群搜索的第一回退系数。
(3)对于雄鱼而言，它们作为雌鱼的寄生者，由于其无法独立生存，故雄鱼往往对于繁殖需求较强，且对于觅食需求较低。因此雄鱼一方面受繁殖本能印象，会不断往种群中心移动，一方面受生存环境和天敌影响，会远离适应度最低位置。又鉴于雄鱼较低的生存率和交配率，本算法将一半雄鱼设置为受两方面因素影响进行寻优搜索，另一半设置为仅受生存环境因素影响进行寻优搜索，其公式表达为：
c＝2-(T/Tmax)
式中，
为适应度最差安康鱼的位置，β2为鱼群搜索的第二回退系数，T为迭代时间，Tmax为预置的迭代时间阈值。
其中，鱼群搜索的步长修正系数在算法中可一定程度上提升计算精度。安康鱼生活在黑暗的深海环境，种群之间联系沟通难度较大，具备一定的随机性，通过设置上述的回退系数，可以在一定程度上提升算法的全局搜索能力，避免算法陷入局部最优。
将AO算法、粒子群算法(PSO)、风驱动算法(WDO)、灰狼优化算法(GWO)、正余弦算法(SCA)和树种优化算法(TSA)在CEC2017测试函数funtion1-7上进行性能对比测试，统一取种群规模为30，维度为30，迭代次数为50，分别计算20次之后取平均值进行比较，得到的比较结果显示：AO算法的性能相较于其他算法性能明显较强，收敛速度和计算精度较高，较为适用于碳排放量预测中。
请参阅图2，图2示出了本发明实施例提供的一种基于AO算法的碳排放量预测方法的流程图。
本发明实施例提供的一种基于AO算法的碳排放量预测方法，包括步骤S1-步骤S5。
步骤S1，从预置的多个碳排放影响因素中筛选目标影响因素。
本发明对碳排放的影响因素进行分析，从中提取重要影响因素，使得碳排放量预测模型的建立更为符合实际。
在一种能够实现的方式中，所述从预置的多个碳排放影响因素中筛选目标影响因素，包括：
基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；
对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素。
本实施例中，利用解释结构模型对研究对象的碳排放量的影响因素进行定性分析，将分析结果通过层次关系图进行因果展示，初步筛选共线性强的影响因素，并通过岭回归方法对碳排放影响因素进行定量分析，从而提取出重要影响因素，能够为下一步进行机器学习预测提供基础，通过分析各影响因素的拓扑层次和关联度，使得筛选出的目标影响因素更为客观合理。
在一种能够实现的方式中，所述基于解释结构模型法对各所述碳排放影响因素进行分析，包括：
对各所述碳排放影响因素进行两两比较分析，得到原始邻接关系布尔矩阵；
根据所述原始邻接关系布尔矩阵计算得到可达矩阵；
基于所述可达矩阵，采用解释结构模型构建碳排放影响因素的层次拓扑图。
在一种能够实现的方式中，所述基于分析得到的层次拓扑图筛选出关键影响因素，包括：
根据所述层次拓扑图确定底层影响因素；
从所述多个碳排放影响因素中筛除所述底层影响因素，得到关键影响因素。
在一种能够实现的方式中，所述剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，包括：
剔除所述岭回归系数低于0.05的关键影响因素。
作为具体的实施方式，以人口、城市化、人均财富、居民消费、能源结构、能源效率、工业化和贸易顺差这几个碳排放影响因素为例对目标影响因素筛选进行说明。
首先基于解释结构模型法对各所述碳排放影响因素进行分析。
1)对所有影响因素进行两两比较分析得到原始邻接关系布尔矩阵A：
2)加上单位矩阵得到相乘矩阵B＝A+I，再由相乘矩阵通过连乘或者幂乘直到矩阵不再发生变化，得到可达矩阵R＝Bk；
3)通过可达矩阵得到可达集合R、先行集合Q和共同集合T，且T＝R∩Q；
4)分UP型和DOWN型抽取过程将要素放置在对应的拓扑层级上，形成层次拓扑图，如图3所示。
根据拓扑图显示，在多种碳排放影响因素分析中，能源结构为各类影响因素中的底层结构，即说明能源结构此项影响因素与其他因素之间共线性最强，故需将本项进行舍弃。
其次进行岭回归分析：
1)首先根据通常的碳排放影响因素关系建立数学模型，并将等式两边的碳排放量和影响因素分别取对数即可得到加法模式模型：
lnI＝Ω+β1lnP+β21lnA1+β22(lnA1)2+β23lnA2+β31lnT1+β32lnT2+β4lnTRA+e
式中，I为碳排放总量，Ω为模型常数，P为人口数量，A1为人均GDP；A2为工业产值，T1为能源强度，T2为能源结构，TRA为国家贸易顺差总额，β1,β21,β22,β23,β31,β32,β4为各项影响因素的弹性系数，e为误差项。
2)采用岭回归分析方法，通过在自变量矩阵中加入非负因子，从而提高估计参数地稳定性，减少回归系数的标准误差，获得具有较小均方误差的有偏估计。选取正则化项系数k＝0.04。
3)分析得到各影响因素的回归系数、标准误差、T检验取值及显著性：
根据结果可知，人均GDP的平方项的回归系数明显低于0.05，故将本项进行舍弃。
综合解释方程模型和岭回归两个筛选步骤，本实施例须剔除能源结构与人均GDP的平方项这两个影响因素，将其他影响因素作为目标影响因素，进行下一步碳排放预测。
需要说明的是，在其他能够实现的方式中，还可以采用现有的网络层次分析法替代该岭回归分析方法，以实现从关键影响因素中筛选出目标影响因素。或者，也可以直接采用现有的主观权重分析方法和/或客观权重分析方法计算各碳排放影响因素的权重，从中选取权重较高的碳排放影响因素作为目标影响因素。
步骤S2，获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型。
作为具体的实施方式，执行步骤S2时，构建分数阶灰色预测模型FGM(1,1)，分别根据各目标影响因素的第1年至第T年的数据形成原始序列：
x(0)＝{x(0)(1),x(0)(2),...,x(0)(n)}
通过对原始数据序列进行分数阶的累加，形成原数据序列r阶的累加生成算子：
通过对原始数据序列进行分数阶的累减，形成原数据序列r阶的累减生成算子：
其中，
为一般牛顿二项式系数。
通过建立微分方程，生成分数阶算子FGM(1,1)模型的白化微分方程：
邻均值序列如下：
通过给定初始阶数r，则线性参数a，b可由最小二乘法求得预估值：
[a,b]T＝(BTB)-1BTY
将所述白化微分方程转换成以下FGM(1,1)的响应函数：
最终将数值进行r阶次累减还原，可得到其预测值：
式中，
表示x(0)(k)的预测值。
针对分数阶灰色模型阶数无法自动优化选取的问题，本实施例中，利用AO算法优化分数阶灰色模型的阶数r。
作为一种能够实现的方式，运用AO算法优化所述分数阶灰色预测模型的阶数时，采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数。
具体地，该适应度函数的表达式为：
式中，x(0)(k)表示原始数据，
表示x(0)(k)对应的预测值。
在其他实施方式中，还可以选取平均绝对误差或均方误差构建AO算法的适应度函数。
优化后的分数阶灰色预测模型可对没有规律的时间序列进行预测，这符合碳排放各个目标影响因素数据的走势规律。
步骤S3，基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值。
本发明实施例，利用AO算法优化分数阶灰色预测模型中的阶数，进而获取目标影响因素的预测值，能够增大方法的适用范围与客观性。
步骤S4，获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数。
执行步骤S4时，将训练样本数据集划分为样本训练集和样本测试集。具体地，将前T0年的碳排放量与其影响因素作为样本训练集，将第T0+1年至第T年的数据作为样本测试集。可以依据结构风险最小化的思想构建损失函数，并通过极小化目标函数来确定回归函数，并可进一步引入拉格朗日乘子，将回归函数转化为求解对偶问题，最后求解得到最优回归函数。其中，鉴于碳排放量与各影响因素之间关系属于偏非线性问题，可以采用高斯径向基核函数(radial basis function，RBF)进行求解。
需要说明的是，支持向量回归预测模型的构建和训练过程可参照现有技术，本实施例的保护点在于运用AO算法优化所述支持向量回归预测模型的参数。
针对SVR模型核心参数的调整问题，作为一种能够实现的方式，利用AO算法进行参数优化时，选用平均绝对百分误差(MAPE)作为优化算法的适应度函数，通过不断迭代求得误差值最小时的核心参数惩罚系数核函数参数，从而建立碳排放量预测模型。相应的适应度函数如下：
式中，xi表示原始数据，
为xi的预测值。
在其他能够实现的方式中，也可以选用平均绝对误差或均方误差作为优化算法的适应度函数。
进一步地，可以通过检验系数、平均绝对误差、均方误差和平均绝对百分比误差检验碳排放量预测模型的精度，根据检验结果对模型的参数进行调整。
本发明第二方面实施例提供了一种基于AO算法的碳排放量预测装置，该装置可用于执行本发明上述任一项实施例所述的基于AO算法的碳排放量预测方法。
请参阅图4，图4示出了本发明第二方面实施例提供的一种基于AO算法的碳排放量预测装置的结构连接框图。
本发明实施例提供的一种基于AO算法的碳排放量预测装置，包括：
筛选模块1，用于从预置的多个碳排放影响因素中筛选目标影响因素；
第一构建模块2，用于获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；
第一预测模块3，用于基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；
第二构建模块4，用于获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；
第二预测模块5，用于将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；
其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解。
在一种能够实现的方式中，所述筛选模块1包括：
第一筛选单元，用于基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；
第二筛选单元，用于对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素。
在一种能够实现的方式中，所述第一筛选单元包括：
分析子单元，用于对各所述碳排放影响因素进行两两比较分析，得到原始邻接关系布尔矩阵；
计算子单元，用于根据所述原始邻接关系布尔矩阵计算得到可达矩阵；
构建子单元，用于基于所述可达矩阵，采用解释结构模型构建碳排放影响因素的层次拓扑图。
在一种能够实现的方式中，所述第一筛选单元还包括：
确定子单元，用于根据所述层次拓扑图确定底层影响因素；
筛选子单元，用于从所述多个碳排放影响因素中筛除所述底层影响因素，得到关键影响因素。
在一种能够实现的方式中，所述第二筛选单元包括：
剔除子单元，用于剔除所述岭回归系数低于0.05的关键影响因素。
在一种能够实现的方式中，所述AO算法具体包括：
设置种群数量、求解维度和迭代次数，初始化种群；
进行全局寻优，其中使用莱维飞行形成新的解；
对所有解进行莱维飞行运算，形成新的解；
对比莱维飞行后的新解与原解的适应度大小，选取适应度较小的解；
将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；
对适应度最高的头鱼进行随机游走；
雌鱼以头鱼的位置和种群平均位置为目标进行游走；
雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走；
对比追赶后的新解与原解的适应度大小，选取适应度较小的解；
判断算法结束条件；当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。
在一种能够实现的方式中，所述第一构建模块2包括：
第一采用单元，用于采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数；
和/或，所述第二构建模块4包括：
第二采用单元，用于采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数。
本发明第三方面实施例提供了一种基于AO算法的碳排放量预测设备，包括：
存储器，用于存储指令；其中，所述指令用于实现如上任意一项实施例所述的基于AO算法的碳排放量预测方法；
处理器，用于执行所述存储器中的指令。
本发明第四方面实施例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如上任意一项实施例所述的基于AO算法的碳排放量预测方法。
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、设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程，上述描述的装置、设备和模块的具体有益效果，可以参考前述方法实施例中的对应有益效果，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、设备和方法，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，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于AO算法的碳排放量预测方法，其特征在于，包括：
从预置的多个碳排放影响因素中筛选目标影响因素；
获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；
基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；
获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；
将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；
其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解。
2.根据权利要求1所述的基于AO算法的碳排放量预测方法，其特征在于，所述从预置的多个碳排放影响因素中筛选目标影响因素，包括：
基于解释结构模型法对各所述碳排放影响因素进行分析，基于分析得到的层次拓扑图筛选出关键影响因素；
对筛选出的关键影响因素进行岭回归分析，得到各所述关键影响因素的岭回归系数，剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，得到目标影响因素。
3.根据权利要求2所述的基于AO算法的碳排放量预测方法，其特征在于，所述基于解释结构模型法对各所述碳排放影响因素进行分析，包括：
对各所述碳排放影响因素进行两两比较分析，得到原始邻接关系布尔矩阵；
根据所述原始邻接关系布尔矩阵计算得到可达矩阵；
基于所述可达矩阵，采用解释结构模型构建碳排放影响因素的层次拓扑图。
4.根据权利要求3所述的基于AO算法的碳排放量预测方法，其特征在于，所述基于分析得到的层次拓扑图筛选出关键影响因素，包括：
根据所述层次拓扑图确定底层影响因素；
从所述多个碳排放影响因素中筛除所述底层影响因素，得到关键影响因素。
5.根据权利要求2所述的基于AO算法的碳排放量预测方法，其特征在于，所述剔除所述岭回归系数不满足预置岭回归系数条件的关键影响因素，包括：
剔除所述岭回归系数低于0.05的关键影响因素。
6.根据权利要求1所述的基于AO算法的碳排放量预测方法，其特征在于，所述AO算法具体包括：
设置种群数量、求解维度和迭代次数，初始化种群；
进行全局寻优，其中使用莱维飞行形成新的解；
对所有解进行莱维飞行运算，形成新的解；
对比莱维飞行后的新解与原解的适应度大小，选取适应度较小的解；
将种群分成雌鱼和雄鱼，并根据安康鱼觅食和交配行为分别进行局部寻优；
对适应度最高的头鱼进行随机游走；
雌鱼以头鱼的位置和种群平均位置为目标进行游走；
雄鱼以种群平均位置为目标，同时躲避适应度最差位置进行游走；
对比追赶后的新解与原解的适应度大小，选取适应度较小的解；
判断算法结束条件；当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部安康鱼进行重新混合，转至进行全局寻优的步骤。
7.根据权利要求6所述的基于AO算法的碳排放量预测方法，其特征在于，所述运用AO算法优化所述分数阶灰色预测模型的阶数，包括：
采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数；
和/或，所述运用AO算法优化所述支持向量回归预测模型的参数，包括：
采用原始数据与对应预测值的平均绝对百分误差作为AO算法的适应度函数。
8.一种基于AO算法的碳排放量预测装置，其特征在于，包括：
筛选模块，用于从预置的多个碳排放影响因素中筛选目标影响因素；
第一构建模块，用于获取目标影响因素数据，基于所述目标影响因素数据训练分数阶灰色预测模型并运用AO算法优化所述分数阶灰色预测模型的阶数，得到碳排放影响因素预测模型；
第一预测模块，用于基于所述碳排放影响因素预测模型对所述目标影响因素进行预测，得到目标影响因素的预测值；
第二构建模块，用于获取碳排放量及对应影响因素的历史数据，根据所述历史数据构建训练样本数据集，基于所述训练样本数据集训练支持向量回归预测模型并运用AO算法优化所述支持向量回归预测模型的参数，得到碳排放量预测模型，所述参数包括惩罚系数和/或核函数参数；
第二预测模块，用于将所述目标影响因素的预测值作为模型输入，利用所述碳排放量预测模型对碳排放量进行预测；
其中，所述AO算法将安康鱼在深海中随机游走觅食的过程模拟为全局寻优的过程，基于莱维飞行进行全局寻优，并将搜索种群分为雌鱼和雄鱼两大群体，按照安康鱼觅食和交配行为进行局部寻优，以得到最优解。
9.一种基于AO算法的碳排放量预测设备，其特征在于，包括：
存储器，用于存储指令；其中，所述指令用于实现如权利要求1-7任意一项所述的基于AO算法的碳排放量预测方法；
处理器，用于执行所述存储器中的指令。
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如权利要求1-7任意一项所述的基于AO算法的碳排放量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211296068.XA CN115759346B (zh) | 2022-10-21 | 2022-10-21 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211296068.XA CN115759346B (zh) | 2022-10-21 | 2022-10-21 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115759346A true CN115759346A (zh) | 2023-03-07 |
| CN115759346B CN115759346B (zh) | 2023-12-22 |
Family
ID=85352639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211296068.XA Active CN115759346B (zh) | 2022-10-21 | 2022-10-21 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759346B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029466A (zh) * | 2023-03-29 | 2023-04-28 | 北京壹清能环科技有限公司 | 一种碳排放量预测方法、装置、存储介质及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846526A (zh) * | 2018-08-08 | 2018-11-20 | 华北电力大学 | 一种二氧化碳排放量预测方法 |
| US20220101212A1 (en) * | 2020-09-30 | 2022-03-31 | Sap Se | System and methods for greenhouse gas emission modeling and calculation to estimate the product carbon footprint |
| CN114742294A (zh) * | 2022-04-09 | 2022-07-12 | 广州网文三维数字技术有限公司 | 一种碳排放预测的神经网络算法 |
| 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 |
| CN114997503A (zh) * | 2022-06-13 | 2022-09-02 | 上海应用技术大学 | 一种城市碳达峰时域的预测方法及系统 |
| CN115115089A (zh) * | 2022-05-17 | 2022-09-27 | 国网上海市电力公司 | 建筑碳排放量预测分析方法、系统、终端及介质 |
-
2022
- 2022-10-21 CN CN202211296068.XA patent/CN115759346B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846526A (zh) * | 2018-08-08 | 2018-11-20 | 华北电力大学 | 一种二氧化碳排放量预测方法 |
| US20220101212A1 (en) * | 2020-09-30 | 2022-03-31 | Sap Se | System and methods for greenhouse gas emission modeling and calculation to estimate the product carbon footprint |
| CN114742294A (zh) * | 2022-04-09 | 2022-07-12 | 广州网文三维数字技术有限公司 | 一种碳排放预测的神经网络算法 |
| 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 |
| CN115115089A (zh) * | 2022-05-17 | 2022-09-27 | 国网上海市电力公司 | 建筑碳排放量预测分析方法、系统、终端及介质 |
| CN114997503A (zh) * | 2022-06-13 | 2022-09-02 | 上海应用技术大学 | 一种城市碳达峰时域的预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 佟昕等: "中国碳排放影响因素分析和趋势预测——基于STIRPAT和GM(1,1)模型的实证研究", 东北大学学报（自然科学版）, no. 2, pages 297 - 300 * |
| 心 升明月: "基于自适应权重和Levy飞行的改进鲸鱼优化算法", Retrieved from the Internet <URL:https://blog.csdn.net/weixin_43821559/article/details/119643139> * |
| 疯狂绅士: "做影响因素分析都有哪些方法，怎么确定用哪种模型？", pages 1 - 5, Retrieved from the Internet <URL:https://www.zhihu.com/question/419997178> * |
| 赵珊霈: "区域水电市场价格预测模型研究", 水利科技与经济, vol. 26, no. 8, pages 31 - 9 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029466A (zh) * | 2023-03-29 | 2023-04-28 | 北京壹清能环科技有限公司 | 一种碳排放量预测方法、装置、存储介质及设备 |
| CN116029466B (zh) * | 2023-03-29 | 2023-05-23 | 北京壹清能环科技有限公司 | 一种碳排放量预测方法、装置、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115759346B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Klepper et al. | Prediction uncertainty in an ecological model of the Oosterschelde Estuary | |
| CN109299778B (zh) | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 | |
| CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
| CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
| Nathan et al. | A spatially-explicit, individual-based demogenetic simulation framework for evaluating hybridization dynamics | |
| CN115759346B (zh) | 一种基于ao算法的碳排放量预测方法、装置及设备 | |
| CN118036883B (zh) | 一种智能化牧场生态监测预警平台及方法 | |
| CN108805254A (zh) | 用于时序预测的参数优化系统 | |
| Chen et al. | Basic Principles and Methods of Fisheries Forecasting | |
| Pérez et al. | Model testing and assessment: perspectives from a swarm intelligence, agent-based model of forest insect infestations | |
| Babovic et al. | Rainfall–runoff modeling based on genetic programming | |
| Senina et al. | Reference model of bigeye tuna using SEAPODYM with catch, length and conventional tagging data. | |
| CN117784615B (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
| Malanson et al. | Uncovering Spatial Feedbacks at the Alpine Treeline Using Spatial Metrics in Evolutionary Simulations | |
| Polacheck et al. | Treatment of data and model uncertainties in the assessment of southern bluefin tuna stocks | |
| CN114442998B (zh) | 一种开源软件项目的演化建模方法 | |
| Al-Ibraheemi et al. | Sustainable energy: Advancing wind power forecasting with grey wolf optimization and GRU models | |
| Durand | Contributions to hidden Markov models and applications to plant structure analysis | |
| Kanaiwa et al. | Assessing a stock assessment framework for the green sea urchin Strongylocentrotus drobachiensis fishery in Maine, USA | |
| Varghese et al. | Different methods for standardization of fishing efforts | |
| Hernández-Padilla et al. | Stock assessment and fishing management of green abalone (Haliotis fulgens) along the West Coast of Baja California Sur, Mexico | |
| Briffoteaux et al. | Towards Dynamic Selection of Evolution Controls in Parallel Bayesian Neural Network-assisted Genetic Algorithm | |
| Xia et al. | Fractional order calculus enhanced dung beetle optimizer for function global optimization and multilevel threshold medical image segmentation | |
| Sinan | Semantic Segmentation of dead trees (Picea abies) using deep learning | |
| Fu et al. | Reinforcement learning guides single-cell sequencing in decoding lineage and cell fate decisions |
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 |