CN116341753A - 一种使用机器学习对区域二氧化碳排放预测的方法 - Google Patents
一种使用机器学习对区域二氧化碳排放预测的方法 Download PDFInfo
- Publication number
- CN116341753A CN116341753A CN202310360429.0A CN202310360429A CN116341753A CN 116341753 A CN116341753 A CN 116341753A CN 202310360429 A CN202310360429 A CN 202310360429A CN 116341753 A CN116341753 A CN 116341753A
- Authority
- CN
- China
- Prior art keywords
- regional
- value
- annual
- matrix
- carbon dioxide
- 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
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 44
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 29
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 79
- 238000012549 training Methods 0.000 claims description 14
- 239000003245 coal Substances 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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—Systems or methods specially adapted for 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
Abstract
本发明公开了一种使用机器学习对区域二氧化碳排放预测的方法,其包括以下步骤;S1:建立预测模型数据库;S2:从所述模型数据库中确定因变量和自变量;S3:根据需要预测的区域规划作为约束条件对特征量进行估算。使用历史数据进行指数平滑并根据政策约束进行条件约束下的未来特征量测算,将预测特征集使用已训练的多元区域碳排放预测模型进行预测得到区域碳排放预测值。采用指数平滑法结合政府未来规划进行约束条件下的区域二氧化碳排放量预测提高预测的准确度。针对多重共线性的问题,Lasso回归可以对具有高度相关性的特征进行惩罚,避免了系数估计的不准确性。不受数据集规模与周期性的限制,实现以年度大时间尺度下的区域二氧化碳排放量的预测。
Description
技术领域
本发明属于二氧化碳排放技术领域,具体涉及一种使用机器学习对区域二氧化碳排放预测的方法。
背景技术
区域二氧化碳排放量预测一直是气候变化研究领域中的重要的研究课题。目前,研究主要使用数学模型和统计模型预测区域二氧化碳排放量。主要的研究方法如下:一、基于数据驱动的模型:利用机器学习算法,例如神经网络、支持向量机、回归模型等,构建模型来预测区域的二氧化碳排放量。这些模型的基本思想是通过分析历史数据,预测未来的趋势。例如,研究人员可以使用过去的气象数据、经济指标、能源利用数据等来预测未来的二氧化碳排放量。二、基于物理模型的模拟:使用气候和能源模型来模拟区域的二氧化碳排放量。这些模型基于气候、经济和能源系统的基本物理原理,考虑了许多复杂的过程,如能源生产、消费、供应链、交通等。这些模型通常会预测未来几十年或世纪的气候变化和二氧化碳排放量。三、研究人员使用时间序列预测未来的区域二氧化碳排放量。这些模型使用历史数据来识别周期性,并使用这些信息来预测未来的趋势。例如,可以使用自回归移动平均模型(ARMA)、自回归条件异方差模型(ARIMA)等来预测未来的二氧化碳排放量。
现有的核算方法存在以下问题:1.特征选择问题:在使用数据驱动型模型时,当前的预测模型通常会使用大量的特征进行预测,但是这些特征可能并不都与目标变量相关,这会导致预测模型的泛化能力降低,也会增加模型的复杂度。2.多重共线性问题:区域二氧化碳排放量预测模型中可能存在多个特征之间高度相关的情况,这会导致模型的系数估计不准确,进而影响预测结果的准确性。3.周期性不明确:统计模型一般用于小时间尺度的区域二氧化碳排放量的预测,在进行年度为单位的大时间尺度区域二氧化碳预测时,可能存在周期性不明确到底自回归模型的准确率下降的问题。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种使用机器学习对区域二氧化碳排放预测的方法,解决了上述背景技术中的问题。
本发明的目的是这样实现的:一种使用机器学习对区域二氧化碳排放预测的方法,其包括以下步骤;
S1:建立预测模型数据库;
S2:从所述模型数据库中确定因变量和自变量;
S3:根据需要预测的区域规划作为约束条件对特征量进行估算。
进一步的,所述模型数据库包括所测算区域的历史各年二氧化碳排放总量、区域历史年度户籍人口、区域历史年度城镇化率、区域历史年度清洁电力消费比例、区域历史年度煤炭消费比重、区域历史年度单位GDP能耗、区域历史年度城镇家庭年均收入、区域历史年度民用车辆拥有量和区域历史年度第二产业产值。
进一步的,所述因变量为从模型数据库中提取时间序列相同的历史各年二氧化碳排放总量;所述自变量为区域历史年度户籍人口、区域历史年度城镇化率、区域历史年度清洁电力消费比例、区域历史年度煤炭消费比重、区域历史年度单位GDP能耗、区域历史年度城镇家庭年均收入、区域历史年度民用车辆拥有量和区域历史年度第二产业产值;将所述因变量与自变量分为训练集与验证集。
进一步的,将区域历史各年二氧化碳排放总量组成目标矩阵trG,矩阵大小为(n,1)且n≥15;将自变量组成特征矩阵trE,矩阵大小为(n,8)且n≥15;且将特征矩阵trE与目标矩阵trG的行数n需保持一致。
进一步的,将所述特征矩阵trE与目标矩阵trG,通过惩罚系数为0.1的Lasso回归法进行拟合后可得到模型系数矩阵trWc,矩阵大小为(1,9);提取矩阵参数后得多元区域碳排放预测模型为:Cf=a×Peo+b×Tc+c×Ce+d×Cr+e×Egdp+f×Ip+g×Cn+h×GDPsecond+i
其中,a的值为模型系数矩阵trWc中[1,1]的值;Peo为区域历史年度户籍人口;b的值为模型系数矩阵trWc中[1,2]的值;Tc为区域历史年度城镇化率;c为模型系数矩阵trWc中[1,3]的值;Ce为区域历史年度清洁电力消费比例;d为模型系数矩阵trWc中[1,4]的值;Cr为区域历史年度煤炭消费比重;e为模型系数矩阵trWc中[1,5]的值;Egdp为区域历史年度单位GDP能耗;f为模型系数矩阵trWc中[1,6]的值;Ip为区域历史年度城镇家庭年均收入;g为模型系数矩阵trWc中[1,7]的值;Cn为区域历史年度民用车辆拥有量;h为模型系数矩阵trWc中[1,8]的值;GDPsecond为区域历史年度第二产业产值;i为模型系数矩阵trWc中[1,9]的值为一常数。
进一步的,Lasso回归法求解模型系数矩阵的代价函数为:
需求使得代价函数ω的大小:
其中,ω为需求解的模型系数矩阵;N为输入Lasso模型的数据特征数量;ωT为ω的转换矩阵;yi为第i条模型训练目标值;xi为第i条模型训练的特征值;λ为模型惩罚系数;||ω||1为ω的L1范数即矩阵中各列绝对值之和的值。
进一步的,所述区域规划包括来源于区域公开发布或内部的各特征量的规划目标,年度平均数计算公式为:
Ft=Ft-1×(1+rate)
其中,rate为年度平均增长率;Ft为预测期数值;Ft-1为前一期数值;T为规划目标比率;N为规划年数。
进一步的,基于历史数据使用指数平滑进行未来特征量的预测,所述指数平滑的计算方法为;
初始值的计算:计算第一个平滑值S1和第一个趋势值b1:
S1=Y1
b1=Y2-Y1
其中,Y1为第一个真实值;Y2为第二个真实值;
平滑值的计算:计算平滑值St和趋势值bt:
St=αYt+(1-α)(St-1+bt-1)
bt=β(St-St-1)+(1-β)bt-1
其中,Yt表示时间序列中第t个数据点的值,St表示在时间t的预测值,bt表示在时间t的趋势值,α和β是平滑系数,通常取值范围为[0,1]。
进一步的,预测值的计算根据平滑值和趋势值计算预测值,计算公式为:
本发明的有益效果:通过Lasso回归使用指数平滑结合政策预期创立约束条件对区域碳排放进行预测具备以下优点和积极效果:1.综合考虑多种因素:该方法不仅考虑了历史数据的趋势和季节性,还引入了政策约束条件,综合考虑了多种影响因素,能够更准确地预测碳排放量。2.可解释性好:相比于其他复杂的预测模型,Lasso回归模型具有较好的可解释性,能够帮助决策者更好地理解预测结果和预测模型。3.去除冗余变量:Lasso回归模型能够自动选择最重要的预测变量,去除冗余变量,降低了预测模型的复杂度和过拟合的风险。4.适应新数据:二次指数平滑方法能够对新数据进行平滑处理和预测,能够适应新的数据变化和趋势变化。5.政策决策支持:该方法能够帮助决策者更好地制定碳排放量控制政策,预测未来碳排放量的变化趋势和量级,为政策制定和实施提供支持和指导。
使用历史数据进行指数平滑并根据政策约束进行条件约束下的未来特征量测算,得到预测特征集,将预测特征集使用已训练的多元区域碳排放预测模型进行预测得到区域碳排放预测值。采用指数平滑法结合政府未来规划进行约束条件下的区域二氧化碳排放量预测提高预测的准确度。针对多重共线性的问题,Lasso回归可以对具有高度相关性的特征进行惩罚,避免了系数估计的不准确性。使用指数平滑实现时序数据的非周期性预测,不受数据集规模与周期性的限制,同时结合区域规划,实现以年度大时间尺度下的区域二氧化碳排放量的预测。
附图说明
图1是本发明的流程图;
图2是本发明的区域碳排放IPCC部门法计算与Lasso回归预测值比较图;
图3是本发明的区域碳排放量示意图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
如图1-3所示,本发明公开了一种使用机器学习对区域二氧化碳排放预测的方法,其包括以下步骤;
S1:建立预测模型数据库;所述模型数据库包括所测算区域的历史各年二氧化碳排放总量、区域历史年度户籍人口、区域历史年度城镇化率、区域历史年度清洁电力消费比例、区域历史年度煤炭消费比重、区域历史年度单位GDP能耗、区域历史年度城镇家庭年均收入、区域历史年度民用车辆拥有量和区域历史年度第二产业产值等。
S2:从所述模型数据库中确定因变量和自变量;从模型数据库中提取时间序列相同的历史各年二氧化碳排放总量作为因变量,区域历史年度户籍人口、区域历史年度城镇化率、区域历史年度清洁电力消费比例、区域历史年度煤炭消费比重、区域历史年度单位GDP能耗、区域历史年度城镇家庭年均收入、区域历史年度民用车辆拥有量、区域历史年度第二产业产值作为自变量,使用随机分配的方式将对应的因变量与自变量进行数据切割,其中80%的数据作为训练集与20%的数据作为验证集,为提升训练模型的鲁棒性将序列数据进行随机排列。
将上述的训练集中的自变量组成特征矩阵trE,矩阵大小为(n,8)且n≥15;将区域历史各年二氧化碳排放总量组成目标矩阵trG,矩阵大小为(n,1)且n≥15,特征矩阵trE与目标矩阵trG的行数n需保持一致;将特征矩阵trE与目标矩阵trG,通过惩罚系数为0.1的Lasso回归法进行拟合后可得到模型系数矩阵trWc,矩阵大小为(1,9)。提取矩阵参数后可得多元区域碳排放预测模型如下:
Cf=a×Peo+b×Tc+c×Ce+d×Cr+e×Egdp+f×Ip+g×Cn+h×GDPsecond+i
其中,a的值为模型系数矩阵trWc中[1,1]的值;Peo为区域历史年度户籍人口;b的值为模型系数矩阵trWc中[1,2]的值;Tc为区域历史年度城镇化率;c为模型系数矩阵trWc中[1,3]的值;Ce为区域历史年度清洁电力消费比例;d为模型系数矩阵trWc中[1,4]的值;Cr为区域历史年度煤炭消费比重;e为模型系数矩阵trWc中[1,5]的值;Egdp为区域历史年度单位GDP能耗;f为模型系数矩阵trWc中[1,6]的值;Ip为区域历史年度城镇家庭年均收入;g为模型系数矩阵trWc中[1,7]的值;Cn为区域历史年度民用车辆拥有量;h为模型系数矩阵trWc中[1,8]的值;GDPsecond为区域历史年度第二产业产值;i为模型系数矩阵trWc中[1,9]的值为一常数。
Lasso回归的具体如下:
Lasso回归是一种对线性回归代价函数正则化的回归算法,它的特点是在拟合广义线性模型的同时进行变量筛选和复杂度调整。因此不论目标因变量是连续的,还是二元或者多元离散的,都可以使用Lasso回归进行建模预测。Lasso回归在线性回归的基础上加入了一个带惩罚系数λ的ω向量的L1范数作为惩罚项(L1范数的含义,为向量ω每个元素绝对值的和),所以这种正则化的方式也叫做L1正则化,求解模型系数矩阵的代价函数如下:
需求使得代价函数最小时ω的大小:
其中,ω为需求解的模型系数矩阵;N为输入Lasso模型的数据特征数量;ωT为ω的转换矩阵;yi为第i条模型训练目标值;xi为第i条模型训练的特征值;λ为模型惩罚系数;||ω||1为ω的L1范数即矩阵中各列绝对值之和的最大值。
Lasso回归的目标是求解出模型系数矩阵ω,构建Lasso回归算法进行系数矩阵ω求解。
S3:根据需要预测的区域规划作为约束条件对特征量进行估算;如没有规划细节使用指数平滑进行特征量的估算。
具体为;
1)区域规划主要来源于区域公开发布或内部的各特征量的规划目标,如果指数平滑的目标低于规划目标则调整为规划目标,如果指数平滑趋势与规模目标相反,则使用年度平均数设定目标。年度平均数计算如下:
Ft=Ft-1×(1+rate)
其中,rate为年度平均增长率;Ft为预测期数值;Ft-1为前一期数值;T为规划目标比率;N为规划年数。
2)基于历史数据使用指数平滑进行未来特征量的预测;二次指数平滑的计算方法如下:
1.初始值的计算:计算第一个平滑值S1和第一个趋势值b1:
S1=Y1
b1=Y2-Y1
其中,Y1为第一个真实值;Y2为第二个真实值;
2.平滑值的计算:计算平滑值St和趋势值bt:
St=αYt+(1-α)(St-1+bt-1)
bt=β(St-St-1)+(1-β)bt-1
其中,Yt表示时间序列中第t个数据点的值,St表示在时间t的预测值,bt表示在时间t的趋势值,α和β是平滑系数,通常取值范围为[0,1]。
3.预测值的计算根据平滑值和趋势值计算预测值,计算公式为:
4.调整参数:可以通过最小化预测误差的方法,来调整平滑系数α和β的取值,以获得更好的预测效果。
将使用约束条件下的设置的未来特征量组成矩阵trF,矩阵大小为(n,8),其中n为需要预测的年数,将矩阵trF代入的模型中计算得到区域二氧化碳预测值。
具体为矩阵trF中矩阵的数值需要按照模型中特征的顺序一一对应,使用当矩阵中n的数值越大,预测结果的偏差可能越大。
与现有技术的方案相比,本方法使用指数平滑结合政策条件约束使得预测更加符合实际未来发生的情况,将提高预测的准确度。Lasso回归的应用解决了一般区域碳排放预测中的多重共性问题,提高预测模型的鲁棒性。使用Lasso回归结合二次指数平滑和政策约束条件对区域碳排放量进行预测能够提高预测精度和可靠性,对制定碳排放量控制政策具有重要的实践意义。
本发明方法基于Lasso回归使用指数平滑结合政策预期创立约束条件对区域碳排放进行预测具备以下优点和积极效果:
1.综合考虑多种因素:该方法不仅考虑了历史数据的趋势和季节性,还引入了政策约束条件,综合考虑了多种影响因素,能够更准确地预测碳排放量。
2.可解释性好:相比于其他复杂的预测模型,Lasso回归模型具有较好的可解释性,能够帮助决策者更好地理解预测结果和预测模型。
3.去除冗余变量:Lasso回归模型能够自动选择最重要的预测变量,去除冗余变量,降低了预测模型的复杂度和过拟合的风险。
4.适应新数据:二次指数平滑方法能够对新数据进行平滑处理和预测,能够适应新的数据变化和趋势变化。
5.政策决策支持:该方法能够帮助决策者更好地制定碳排放量控制政策,预测未来碳排放量的变化趋势和量级,为政策制定和实施提供支持和指导。
特征选择的问题;
针对特征过多的问题,Lasso回归可以进行特征选择,将无关变量的系数缩小为0,从而减少特征的数量,提高预测的稳定性和准确性。同时对于未来特征数据的设置,采用指数平滑法结合政府未来规划进行约束条件下的区域二氧化碳排放量预测提高预测的准确度。
多线共性问题;
针对多重共线性的问题,Lasso回归可以对具有高度相关性的特征进行惩罚,避免了系数估计的不准确性。
周期性不明确问题;
使用指数平滑实现时序数据的非周期性预测,不受数据集规模与周期性的限制,同时结合区域规划,实现以年度大时间尺度下的区域二氧化碳排放量的预测。
本方法主要分为两部分:
一、使用历史数据进行多元区域碳排放预测模型训练,训练方法为Lasso回归法,将训练结果保存为多元区域碳排放预测模型的参数。
二、使用历史数据进行指数平滑并根据政策约束进行条件约束下的未来特征量测算,得到预测特征集,将预测特征集使用已训练的多元区域碳排放预测模型进行预测得到区域碳排放预测值。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种使用机器学习对区域二氧化碳排放预测的方法,其特征在于,包括以下步骤;
S1:建立预测模型数据库;
S2:从所述模型数据库中确定因变量和自变量;
S3:根据需要预测的区域规划作为约束条件对特征量进行估算。
2.根据权利要求1所述的使用机器学习对区域二氧化碳排放预测的方法,其特征在于:所述模型数据库包括所测算区域的历史各年二氧化碳排放总量、区域历史年度户籍人口、区域历史年度城镇化率、区域历史年度清洁电力消费比例、区域历史年度煤炭消费比重、区域历史年度单位GDP能耗、区域历史年度城镇家庭年均收入、区域历史年度民用车辆拥有量和区域历史年度第二产业产值。
3.根据权利要求2所述的使用机器学习对区域二氧化碳排放预测的方法,其特征在于:所述因变量为从模型数据库中提取时间序列相同的历史各年二氧化碳排放总量;所述自变量为区域历史年度户籍人口、区域历史年度城镇化率、区域历史年度清洁电力消费比例、区域历史年度煤炭消费比重、区域历史年度单位GDP能耗、区域历史年度城镇家庭年均收入、区域历史年度民用车辆拥有量和区域历史年度第二产业产值;将所述因变量与自变量分为训练集与验证集。
4.根据权利要求3所述的使用机器学习对区域二氧化碳排放预测的方法,其特征在于:将区域历史各年二氧化碳排放总量组成目标矩阵trG,矩阵大小为(n,1)且n≥15;将自变量组成特征矩阵trE,矩阵大小为(n,8)且n≥15;且将特征矩阵trE与目标矩阵trG的行数n需保持一致。
5.根据权利要求4所述的使用机器学习对区域二氧化碳排放预测的方法,其特征在于:将所述特征矩阵trE与目标矩阵trG,通过惩罚系数为0.1的Lasso回归法进行拟合后可得到模型系数矩阵trWc,矩阵大小为(1,9);提取矩阵参数后得多元区域碳排放预测模型为:Cf=a×Peo+b×Tc+c×Ce+d×Cr+e×Egdp+f×Ip+g×Cn+h×GDPsecond+i
其中,a的值为模型系数矩阵trWc中[1,1]的值;Peo为区域历史年度户籍人口;b的值为模型系数矩阵trWc中[1,2]的值;Tc为区域历史年度城镇化率;c为模型系数矩阵trWc中[1,3]的值;Ce为区域历史年度清洁电力消费比例;d为模型系数矩阵trWc中[1,4]的值;Cr为区域历史年度煤炭消费比重:e为模型系数矩阵trWc中[1,5]的值;Egdp为区域历史年度单位GDP能耗;f为模型系数矩阵trWc中[1,6]的值;Ip为区域历史年度城镇家庭年均收入;g为模型系数矩阵trWc中[1,7]的值;Cn为区域历史年度民用车辆拥有量;h为模型系数矩阵trWc中[1,8]的值;GDPsecond为区域历史年度第二产业产值;i为模型系数矩阵trWc中[1,9]的值为一常数。
8.根据权利要求7所述的使用机器学习对区域二氧化碳排放预测的方法,其特征在于:基于历史数据使用指数平滑进行未来特征量的预测,所述指数平滑的计算方法为;
初始值的计算:计算第一个平滑值S1和第一个趋势值b1:
S1=Y1
b1=Y2-Y1
其中,Y1为第一个真实值;Y2为第二个真实值;
平滑值的计算:计算平滑值St和趋势值bt:
St=αYt+(1-α)(St-1+bt-1)
bt=β(St-St-1)+(1-β)bt-1
其中,Yt表示时间序列中第t个数据点的值,St表示在时间t的预测值,bt表示在时间t的趋势值,α和β是平滑系数,通常取值范围为[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310360429.0A CN116341753A (zh) | 2023-04-06 | 2023-04-06 | 一种使用机器学习对区域二氧化碳排放预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310360429.0A CN116341753A (zh) | 2023-04-06 | 2023-04-06 | 一种使用机器学习对区域二氧化碳排放预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341753A true CN116341753A (zh) | 2023-06-27 |
Family
ID=86894825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310360429.0A Pending CN116341753A (zh) | 2023-04-06 | 2023-04-06 | 一种使用机器学习对区域二氧化碳排放预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777120A (zh) * | 2023-08-16 | 2023-09-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于路网od对的城市道路移动源碳排放计算方法 |
-
2023
- 2023-04-06 CN CN202310360429.0A patent/CN116341753A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777120A (zh) * | 2023-08-16 | 2023-09-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于路网od对的城市道路移动源碳排放计算方法 |
CN116777120B (zh) * | 2023-08-16 | 2023-10-27 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于路网od对的城市道路移动源碳排放计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN105303262A (zh) | 一种基于核主成分分析和随机森林的短期负荷预测方法 | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
Birek et al. | Water leakage forecasting: the application of a modified fuzzy evolving algorithm | |
CN110264352A (zh) | 基于神经网络模型和时间序列的股指预测方法及装置 | |
CN104932898B (zh) | 一种基于改进多目标粒子群优化算法的待增组件选择方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN115358461A (zh) | 天然气负荷预测方法、装置、设备、介质 | |
CN115600640A (zh) | 基于分解网络的电力负荷预测方法 | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
JP2000305606A (ja) | 配水需要量予測方法 | |
CN113240181B (zh) | 一种水库调度运行滚动模拟方法及装置 | |
CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
JP3321308B2 (ja) | プラント予測制御装置 | |
CN114444737A (zh) | 基于迁移学习的路面养护智能规划方法 | |
JP3268520B2 (ja) | ガス需要量の予測方法 | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
Ban et al. | Combined forecasting model of urban water consumption based on adaptive filtering and BP neural network | |
JP2000163394A (ja) | 配水需要量予測方法 | |
CN109325861A (zh) | 采用经验回放机制的目标股票选择方法、装置及存储介质 | |
Luchko et al. | Artificial Neural Networks in Export and Import Forecasting: An Analysis of Opportunities | |
CN116090678B (zh) | 一种数据处理方法、装置及设备 | |
Cahyadi et al. | Salt Fields Productivity Forecasting Based On Sunlight Duration, Wind Speed and Temperature Data |
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 |