CN116796890A - 碳排放权代价值预测方法、装置、设备、介质和产品 - Google Patents
碳排放权代价值预测方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN116796890A CN116796890A CN202310622747.XA CN202310622747A CN116796890A CN 116796890 A CN116796890 A CN 116796890A CN 202310622747 A CN202310622747 A CN 202310622747A CN 116796890 A CN116796890 A CN 116796890A
- Authority
- CN
- China
- Prior art keywords
- cost
- mode component
- training
- modal
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 97
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 233
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000007787 long-term memory Effects 0.000 claims abstract description 16
- 230000006403 short-term memory Effects 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 53
- 230000015654 memory Effects 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 abstract description 19
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 5
- 241000287127 Passeridae Species 0.000 description 26
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010845 search algorithm Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种碳排放权代价值预测方法、装置、设备、介质和产品。所述方法包括：获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。该方法可以处理长期数据，精度高，速度快，计算难度低。
Description
技术领域
本申请涉及电碳市场交易信息分析与预测技术领域，特别是涉及一种碳排放权代价值预测方法、装置、设备、介质和产品。
背景技术
碳市场的参与者可以根据自身的减排需求和经济利益，买入或卖出碳排放权，从而使得二氧化碳排放量达到减排目标。由于碳市场的特殊性，碳排放权代价值的波动十分频繁且受多种因素影响，如气候变化，因此，对于碳排放权代价值的预测具有重要意义，可以帮助市场参与者做好买卖策略，更好地实现减排目标和经济效益的平衡。
目前对于碳排放权代价值预测方法，是通过自回归预测模型或者递归神经网络预测模型实现预测。然而，由于碳市场不确定性大，使用自回归预测模型在碳排放权代价值预测方面适应性不高，并且对于长时间序列预测，使用递归神经网络预测模型存在模型优化与运行的计算难度大、消耗时间长，预测准确度不高，预测效果不好的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够预测碳排放权代价值的碳排放权代价值预测方法、装置、设备、介质和产品。
第一方面，本申请提供了一种碳排放权代价值预测方法。所述方法包括：
获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
在其中一个实施例中，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，包括：
对样本代价模态分量进行归一化处理，得到归一化代价模态分量；
获取时间预设范围，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本；
根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练。
在其中一个实施例中，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本之后，包括：
将第二训练样本加入至第一训练样本，并根据时间预设范围重新确定，得到更新后的第一训练样本；
根据更新后的第一训练样本确定更新后的第二训练样本，更新后的第二训练样本与更新后的第一训练样本时序相邻；
根据更新后的第一训练样本和更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。
在其中一个实施例中，根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练，包括：
获取初始代价模态分量预测模型的模型参数和状态转移函数；
基于状态转移函数对第一训练样本进行计算，得到初始代价模态分量预测模型的预测分量；
根据第二训练样本获取第二训练样本对应的归一化代价模态分量，得到实际分量；
对实际分量和预测分量进行比较，得到初始代价模态分量预测模型的误差方程；
通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练。
在其中一个实施例中，通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练，包括：
基于智能优化算法对模型参数进行更新，得到更新后的模型参数；
通过更新后的模型参数更新初始代价模态分量预测模型，得到更新后的预测模型，并基于随机优化算法和误差方程对更新后的预测模型进行训练。
在其中一个实施例中，该方法还包括：
对代价模态分量按照时间序列划分得到训练数据集和验证数据集，其中，训练数据集用于表征训练初始代价模态分量预测模型对应的样本代价模态分量的集合；
获取目标代价模态分量预测模型，将验证数据集中第一时刻对应的代价模态分量加入训练数据集，得到更新后的训练数据集和验证数据集，其中，第一时刻对应的代价模态分量与训练数据集时序相邻；
根据更新后的训练数据集得到验证样本代价模态分量，输入验证样本代价模态分量到目标代价模态分量预测模型，得到验证代价模态分量；
获取更新后的验证数据集中第二时刻对应的代价模态分量，其中，第二时刻与第一时刻时序相邻；
对第二时刻对应的代价模态分量和验证代价模态分量进行比较，得到验证结果。
第二方面，本申请还提供了一种碳排放权代价值预测装置。所述装置包括：
数据处理模块，用于获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组样本代价模态分量；
模型训练模块，用于基于长短期记忆神经网络获取多个初始代价模态分量预测模型，针对每组样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
模型预测模块，用于将当前代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量是指当前代价模态分量下一时刻的预测值。
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以下步骤：
获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
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以下步骤：
获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
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以下步骤：
获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
上述碳排放权代价值预测方法、装置、设备、介质和产品，通过获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。该方法可以降低梯度消失和梯度爆炸的可能性、处理不同长度的输入时间序列，有利于预测模型更好的处理长期的时间序列数据，进而提高预测模型的精度和泛化能力，且预测模型训练速度快，计算难度低。
附图说明
图1为一个实施例中碳排放权代价值预测方法的应用环境图；
图2为一个实施例中碳排放权代价值预测方法的流程示意图；
图3为另一个实施例中碳排放权代价值预测的流程示意图；
图4为一个实施例中碳排放权代价值预测装置的结构框图；
图5为一个实施例中计算机设备为服务器的内部结构图；
图6为一个实施例中计算机设备为终端的内部结构图。
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碳排放权代价值预测方法，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。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102通过获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。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，提供了一种碳排放权代价值预测方法，以该方法应用于图1中的应用场景图为例进行说明，包括以下步骤：
步骤202，获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量。
历史碳排放权代价序列是指过去一段时间内，例如日、周、月等，碳市场中碳排放权价格所组成的序列。这个序列记录下了碳排放权价格在不同时间点上的数值，用来预测碳排放权价格。代价模态分量是指通过对历史碳排放权价格序列进行数学处理，例如通过变分模态分解算法进行数学处理，得到的一组特定的、相对独立的、具有清晰物理或经济意义的时间序列，该时间序列用于表征不同的价格波动特征，例如价格变化因素和波动周期。
示例性的，获取到碳市场中过去一个月内连续每日的碳排放权价格，对该碳排放权价格按照时间进行排序得到历史碳排放权代价序列，通过变分模态分解算法对该历史碳排放权代价序列进行数据处理。具体的，可以将该历史碳排放权代价序列分解为K个代价模态分量，获取到K个代价模态分量对应的模态函数uk(t)，每一个代价模态分量都对应着一个中心频率，其中，各代价模态分量的带宽之和为最小值，带宽是指该信号所包含的各种不同频率成分所占据的频率范围，且各模态函数uk(t)的约束条件为各代价模态分量之和等于g。
约束条件的公式如下：
其中，uk为第k个代价模态分量，ωk为第k个代价模态分量的中心频率，{uk}与{ωk}分别为所有代价模态分量及其对应中心频率的集合，表示函数关于时间t求偏导，δ(t)表示狄拉克分布函数，j为虚数单位。
可以通过拉格朗日乘子与二次罚函数对该变分模态问题进行求解，公式表达如下：
其中，α为适度带宽限制的惩罚参数；λ(t)为拉格朗日乘子，g(t)为t时刻的历史碳排放权代价值。
可以利用乘数的交替方向法寻找扩展拉格朗日表达式的鞍点，得到各模态的频率范围更新，则模态分量和中心频率的迭代公式表示如下：
其中：为函数/>对应的傅里叶变换，/>为函数ui的傅里叶变换，为函数g的傅里叶变换，/>为函数λ的傅里叶变换，ε为噪声容忍度，n为迭代次数。
可以对分解后的各代价模态分量uk进行归一化处理，归一化处理的公式表示如下：
步骤204，基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型。
其中，长短期记忆神经网络是一种常用于序列数据处理的循环神经网络类别的模型，长短期记忆神经网络可以通过一系列的门控机制来有效地捕捉和记忆时间序列数据中的长期依赖关系，可以预测未来的数据趋势。
示例性的，基于长短期记忆神经网络构建初始代价模态分量预测模型中的输入门、遗忘门与输出门，以及神经元状态转移方程，并初始化预测模型的超参数，得到多个初始代价模态分量预测模型。对前述步骤获取到的多组代价模态分量进行选择，具体的，根据获取到三十日内的历史碳排放权代价序列得到三十日内对应的四组代价模态分量，可以对四组代价模态分量进行归一化处理，选择归一化处理后第一日至第二十九日的各组代价模态分量，并确定为样本代价模态分量，对四组样本代价模态分量分别确定对应的四个初始代价模态分量预测模型，输入各组样本代价模态分量到对应的初始代价模态分量预测模型进行训练，得到目标代价模态分量预测模型。
步骤206，根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
其中，时序相邻是指在时序数据中，时间上相邻的两个数据点之间的关系，例如在第K组代价模态分量中，各代价模态分量按照时间序列排序，假设X1、X2…XT表示该组代价模态分量的T个代价模态分量，那么时序相邻就是指第i个代价模态分量与第i+1个代价模态分量之间的关系。
示例性的，根据前述步骤确定第三十日的代价模态分量为输入代价模态分量，将输入代价模态分量输入到目标代价模态分量预测模型，可以预测第三十一日的预测代价模态分量，对第三十一日的预测代价模态分量进行反归一化处理，并将第三十一日的各组预测代价模态分量进行叠加，可以得到第三十一日的预测碳排放权代价值，进而实现碳排放权代价值的预测。
上述碳排放权代价值预测方法中，通过获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。该方法可以降低梯度消失和梯度爆炸的可能性、处理不同长度的输入时间序列，有利于预测模型更好的处理长期的时间序列数据，进而提高预测模型的精度和泛化能力，且预测模型训练速度快，计算难度低。
在一个实施例中，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，包括：对样本代价模态分量进行归一化处理，得到归一化代价模态分量；获取时间预设范围，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本；根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练。
其中，归一化处理是指将数据按照一定的比例缩放，使其落入某个特定的区间内，通常是[0,1]或者[-1,1]区间内。
示例性的，对样本代价模态分量进行归一化处理，得到归一化代价模态分量，确定归一化代价模态分量所在的时序范围，具体的，如上述实施例所述，获取到归一化处理后的第一日至第二十九日的各组样本代价模态分量，对各组样本代价模态分量进行归一化处理，得到时序范围在第一日至第二十九日的归一化代价模态分量。若在初始代价模态分量预测模型中，可以根据五日内的归一化代价模态分量得到预测代价模态分量，确定时间预设范围为五日，可以根据时间预设范围选择五日的归一化代价模态分量作为第一训练样本，具体的，选择第一日至第五日的归一化代价模态分量作为第一训练样本，由于第二训练样本与第一训练样本时序相邻，确定第二训练样本为第六日的归一化代价模态分量，输入第一日至第五日的归一化代价模态分量到初始代价模态分量预测模型，可以得到第六日的预测代价模态分量。基于第六日的预测代价模态分量与第六日的归一化代价模态分量进行比较，也就是说对模型输出值与实际值进行比较，可以得到模型误差方程，通过反向传播算法计算误差方程对于模型参数的梯度，并通过梯度下降算法对模型参数进行迭代更新和优化，实现初始代价模态分量预测模型的训练。
本实施例中，通过对模态分量进行归一化处理，可以实现数据之间的分布更加均匀，使得模型更快地收敛，同时使得训练过程更加稳定，减少在特定区域内震荡的情况，还可以减少特征之间的相关性，也就是说可以提高预测模型的稳定性、收敛速度和泛化能力，同时也方便数据的可视化和分析。
在一个实施例中，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本之后，包括：将第二训练样本加入至第一训练样本，并根据时间预设范围重新确定，得到更新后的第一训练样本；根据更新后的第一训练样本确定更新后的第二训练样本，更新后的第二训练样本与更新后的第一训练样本时序相邻；根据更新后的第一训练样本和更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。
示例性的，在初始代价模态分量预测模型的训练过程中，根据第一训练样本与第二训练样本进行第一次训练，由于第一训练样本与第二训练样本时序相邻，可以将第二训练样本加入第一训练样本，实现训练样本的滚动更新和模型的迭代训练。具体的，如上述实施例所述，第一训练样本为第一日至第五日的归一化代价模态分量，第二训练样本为第六日的归一化代价模态分量，将第六日的归一化代价模态分量加入第一训练样本，并根据五日的时间预设范围重新确定第一训练样本，得到更新后的第一训练样本为第二日至第六日的归一化代价模态分量，由于更新后的第二训练样本与更新后的第一训练样本时序相邻，得到更新后的第二训练样本为第七日的归一化代价模态分量。通过第一训练样本与第二训练样本的滚动更新，实现初始代价模态分量预测模型的迭代更新，在达到迭代次数以后，得到目标代价模态分量预测模型。
本实施例中，通过不断更新第一训练样本和第二训练样本，进行预测模型的滚动训练，可以在数据序列不断输入时，对预测模型进行实时更新，从而使得预测模型能够不断适应新的数据和环境，而且这种及时获取新数据，并将其与历史数据结合起来进行分析的训练方法，可以实现预测模型在训练过程中可以不断优化，更好地应对新数据的挑战，提高预测模型的泛化能力的效果，并且在每次训练过程中只需要处理一部分数据，不需要将全部数据加载到内存中，就可以对预测模型进行更新，大大缩短了模型训练时间，进而提高模型更新速度，更适合处理大规模数据，并且这种滚动训练更易于处理非平稳数据。
在一个实施例中，根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练，包括：获取初始代价模态分量预测模型的模型参数和状态转移函数；基于状态转移函数对第一训练样本进行计算，得到初始代价模态分量预测模型的预测分量；根据第二训练样本获取第二训练样本对应的归一化代价模态分量，得到实际分量；对实际分量和预测分量进行比较，得到初始代价模态分量预测模型的误差方程；通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练。
示例性的，获取到初始代价模态分量预测模型的模型参数，例如输入门、输出门和遗忘门的系数和超参数，其中，系数包括输入权重系数、状态权重系数与偏置系数，以及状态转移函数，如上述实施例所述，第一训练样本为第一日至第五日的归一化代价模态分量，且可以知道存在四组代价模态分量，将第一组第一日至第五日的归一化代价模态分量输入对应的第一初始代价模态分量预测模型，根据第一组第一日至第五日的归一化代价模态分量、各门的系数和状态转移函数，可以计算出第一初始代价模态分量预测模型在第六日的预测代价模态分量，其中，预测代价模态分量的公式表示如下：
ft＝σ(Wfuk，t+Ufht-1+bf)
it＝σ(Wiuk，t+Uiht-1+bi)
Ot＝σ(Wouk，t+Uoht-1+bo)
其中，uk，t为第k组代价模态分量的样本代价模态分量，t为第一训练样本的时间范围，W、U、b分别表示输入权重系数、状态权重系数与偏置系数，σ为sigmoid函数，tanh表示tanh激活函数，ft表示遗忘门，it表示输入门，Ct表示细胞状态，Ot表示输出门，ht为预测分量。
可以获取到第一组第一日至第五日的归一化代价模态分量对应的实际分量，其中实际分量为第一组第六日的归一化代价模态分量，根据预测分量和实际分量得到初始代价模态分量预测模型的误差方程，其中，可以定义误差方程为均方根误差，其中，误差方程的公式表示如下：
在训练过程中，可以基于麻雀搜索算法对初始代价模态分量预测模型的超参数进行优化，并基于随机优化算法中的adam算法对初始代价模态分量预测模型的参数进行优化，通过参数的更新和优化，实现误差方程中误差值的降低，进而实现模型的优化，达到初始代价模态分量预测模型的训练效果。
本实施例中，通过对预测模型的误差进行误差方程的计算，可以达到评估预测模型性能的效果，并且可以在训练过程中监控模型的优化情况，并且误差方程反映了模型预测结果与实际值之间的差异，通过最小化误差方程，可以实现优化预测模型的参数和权重，使得模型的预测结果更加接近于实际值，还可以避免模型对于训练数据集过于拟合的问题，从而提高预测模型的泛化能力，使得预测模型对于新的数据具有良好的预测能力。
在一个实施例中，通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练，包括：基于智能优化算法对模型参数进行更新，得到更新后的模型参数；通过更新后的模型参数更新初始代价模态分量预测模型，得到更新后的预测模型，并基于随机优化算法和误差方程对更新后的预测模型进行训练。
其中，智能优化算法是指一类基于自然界启发的智能算法，通过模拟生物进化和群体行为来完成全局优化问题求解，包括麻雀搜索算法、遗传算法、粒子群优化算法、蚁群算法、人工免疫系统算法和鱼群算法等。随机优化算法是一类基于随机采样策略的优化算法，通过随机选择搜索空间中的点，进行随机试探和更新，来寻找全局最优解。
示例性的，可以通过麻雀搜索算法对模型的超参数进行更新，具体的，设置总麻雀个数m，其中发现者个数mdisc，跟随着个数m-mdisc，待优化超参数的维数为d，超参数优化范围为[lbd，Uba]。对于任一麻雀在d维的初始位置，在[lbd，Uba]内生成随机数并赋值。将单一麻雀含有的超参数信息输入初始代价模态分量预测模型，将均方根误差方程作为适应度函数，计算各麻雀适应度值。根据适应度值大小对麻雀进行排序，其中，前mdisc个麻雀为发现者，其余为跟随者。其中，麻雀所在种群位置的公式和麻雀适应度的公式表示如下：
其中，Fit(X)表述麻雀适应度值，即均方根误差方程对应的MSE值。
由于适应度高的发现者在搜索过程中会优先获取食物，具有更大的觅食搜索范围，为整个麻雀种群寻找食物并为所有跟随着提供觅食的方向。在每次迭代的过程中，发现者位置更新的公式表示如下：
其中，τ为当前迭代次数，τmax为最大迭代次数，Xi，j表示第i个麻雀在第j维中的位置信息，j＝1，2，...，d，rand为(0，1]的随机数，R2∈[0，1]为预警值，ST∈[0.5，1]为安全值，Q为服从正态分布的随机数，rand表示1×d元素均为1的矩阵。
R2＜ST时，表示觅食环境周围没有捕食者，发现者执行广泛搜索；R2≥ST时，表示种群中的一些麻雀已经发现了捕食者，并向种群发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
由于适应度低的跟随着位于整个种群中的较差位置，觅食过程中更有可能飞往其它地方觅食，以获得更多的能量。部分跟随着会时刻监视着发现者，一旦察觉到发现者已经找到了更好的食物，它们会立即离开现在的位置去往最好的食物处获取食物或者在该发现者周围觅食。跟随者位置更新的公式表示如下：
其中，XP为目前发现者所占据的最优位置，Xworst为当前全局最差的位置。A表示1×d元素为1或-1随机赋值的矩阵，A+＝AT(AAT)-1；i＞m/2表示适应度值较低的第i个跟随着没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量。
在每次迭代训练的过程中，在种群中随机选择malert个体进行预警行为。无论选中各个为发现者或跟随者，都将放弃食物而移动至一个新的位置。警戒者位置更新的公式表示如下：
其中，β为步长控制参数，为服从标准正态分布的随机数，K为[-1，1]的随机数，h表示麻雀移动的方向同时也是步长控制参数；fiti为当前麻雀个体的适应度值，fitg与fitw分别是当前全局最佳和最差的适应度值，ξ为常数，保证分母非零，fiti＞fitg表示此时的麻雀正处于种群的边缘，极其容易受到捕食者的攻击；fiti＝fitg时，这表明处于种群中间的麻雀意识到了危险，需要靠近其它的麻雀以此尽量减少它们被捕食的风险；为当前的全局最优位置，表示这个位置的麻雀是种群中位置最好且安全的。
迭代更新上述麻雀的位置，满足迭代次数时，确定麻雀最优位置，得到对应的超参数。
在基于麻雀搜索算法对初始代价模态分量预测模型的超参数进行更新的过程中，基于Adam算法对更新后的预测模型进行训练，其中，Adam算法是一种自适应学习率的优化算法，用于梯度下降求解神经网络模型中的参数，可以实现自适应地调整学习率，加速模型训练并提高训练效果。
本实施例中，通过智能优化算法中的麻雀搜索算法对预测模型的超参数进行优化，通过种群和个体两个层次的搜索策略，提高了搜索效率和求解精度，并且自适应性强，可以进行并行化设计，由于算法的原理简单，提高了算法实现的简单性。
在一个实施例中，该方法还包括：对代价模态分量按照时间序列划分得到训练数据集和验证数据集，其中，训练数据集用于表征训练初始代价模态分量预测模型对应的样本代价模态分量的集合；获取目标代价模态分量预测模型，将验证数据集中第一时刻对应的代价模态分量加入训练数据集，得到更新后的训练数据集和验证数据集，其中，第一时刻对应的代价模态分量与训练数据集时序相邻；根据更新后的训练数据集得到验证样本代价模态分量，输入验证样本代价模态分量到目标代价模态分量预测模型，得到验证代价模态分量；获取更新后的验证数据集中第二时刻对应的代价模态分量，其中，第二时刻与第一时刻时序相邻；对第二时刻对应的代价模态分量和验证代价模态分量进行比较，得到验证结果。
示例性的，如上述实施例所述，获取到三十日内的各组代价模态分量，可以将第一日至第二十五日的各组代价模态分量确定为训练数据集，第二十六日至第二十九日的各组代价模态分量确定为验证数据集，根据第一日至第二十五日的各组代价模态分量对初始代价模态分量预测模型进行训练，得到目标代价模态分量预测模型，将第二十六日的各组代价模态分量加入训练数据集，得到更新后的训练数据集和验证数据集。可以确定第二十一日至第二十六日的各组代价模态分量为验证样本代价模态分量，将验证样本代价模态分量输入到目标代价模态分量预测模型，得到针对第二十七日的验证代价模态分量，根据验证代价模态分量与验证数据集中第二十七日的各组代价模态分量，验证目标代价模态分量预测模型输出结果的准确性。
本实施例中，通过验证数据集的构建实现对预测模型的验证，可以用于预测模型的超参数调节和预测模型选择，可以避免模型在训练集上表现很好但在新的数据上表现糟糕的过拟合现象，降低过拟合的可能性，还可以通过验证数据集来比较不同预测模型的性能，进而可以实现选择最优的预测模型用于测试集数据的预测，提高预测模型的可靠性。
如图3所示为另一个实施例中碳排放权代价值预测方法的流程示意图，在一个实施例中，该方法包括如下步骤：
步骤302，获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量。
步骤304，基于长短期记忆神经网络获取多个初始代价模态分量预测模型，对每组代价模态分量按照时间序列划分得到训练数据集和验证数据集，其中，训练数据集用于表征训练初始代价模态分量预测模型对应的样本代价模态分量的集合。
步骤306，获取训练数据集中的样本代价模态分量，对样本代价模态分量进行归一化处理，得到归一化代价模态分量。
步骤308，获取时间预设范围，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本。
步骤310，获取初始代价模态分量预测模型的模型参数和状态转移函数，基于状态转移函数对第一训练样本进行计算，得到初始代价模态分量预测模型的预测分量，根据第二训练样本获取第二训练样本对应的归一化代价模态分量，得到实际分量。
步骤312，对实际分量和预测分量进行比较，得到初始代价模态分量预测模型的误差方程。
步骤314，基于智能优化算法对模型参数进行更新，得到更新后的模型参数，通过更新后的模型参数更新初始代价模态分量预测模型，得到更新后的预测模型，并基于随机优化算法和误差方程对更新后的预测模型进行训练。
步骤316，将第二训练样本加入至第一训练样本，并根据时间预设范围重新确定，得到更新后的第一训练样本；根据更新后的第一训练样本确定更新后的第二训练样本，更新后的第二训练样本与更新后的第一训练样本时序相邻。
步骤318，根据更新后的第一训练样本和更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。
步骤320，将验证数据集中第一时刻对应的代价模态分量加入训练数据集，得到更新后的训练数据集和验证数据集，其中，第一时刻对应的代价模态分量与训练数据集时序相邻。
步骤322，根据更新后的训练数据集得到验证样本代价模态分量，输入验证样本代价模态分量到目标代价模态分量预测模型，得到验证代价模态分量。
步骤324，获取更新后的验证数据集中第二时刻对应的代价模态分量，其中，第二时刻与第一时刻时序相邻；对第二时刻对应的代价模态分量和验证代价模态分量进行比较，得到验证结果。
步骤326，获取训练数据集中的输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
该方法可以降低梯度消失和梯度爆炸的可能性、处理不同长度的输入时间序列，有利于预测模型更好的处理长期的时间序列数据，进而提高预测模型的精度和泛化能力，且预测模型训练速度快，计算难度低。
应该理解的是，虽然如上所述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，如上所述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碳排放权代价值预测方法的碳排放权代价值预测装置。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碳排放权代价值预测装置实施例中的具体限定可以参见上文中对于碳排放权代价值预测方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种碳排放权代价值预测装置400，包括：数据处理模块402、模型训练模块404和模型预测模块406，其中：
数据处理模块402，用于获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组样本代价模态分量；
模型训练模块404，用于基于长短期记忆神经网络获取多个初始代价模态分量预测模型，针对每组样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
模型预测模块406，用于将当前代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量是指当前代价模态分量下一时刻的预测值。
在一个实施例中，模型训练模块404还包括：对样本代价模态分量进行归一化处理，得到归一化代价模态分量；获取时间预设范围，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本；根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练。
在一个实施例中，模型训练模块404还包括：将第二训练样本加入至第一训练样本，并根据时间预设范围重新确定，得到更新后的第一训练样本；根据更新后的第一训练样本确定更新后的第二训练样本，更新后的第二训练样本与更新后的第一训练样本时序相邻；根据更新后的第一训练样本和更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。
在一个实施例中，模型训练模块404还包括：获取初始代价模态分量预测模型的模型参数和状态转移函数；基于状态转移函数对第一训练样本进行计算，得到初始代价模态分量预测模型的预测分量；根据第二训练样本获取第二训练样本对应的归一化代价模态分量，得到实际分量；对实际分量和预测分量进行比较，得到初始代价模态分量预测模型的误差方程；通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练。
在一个实施例中，模型训练模块404还包括：基于智能优化算法对模型参数进行更新，得到更新后的模型参数；通过更新后的模型参数更新初始代价模态分量预测模型，得到更新后的预测模型，并基于随机优化算法和误差方程对更新后的预测模型进行训练。
在一个实施例中，该装置还包括：对代价模态分量按照时间序列划分得到训练数据集和验证数据集，其中，训练数据集用于表征训练初始代价模态分量预测模型对应的样本代价模态分量的集合；获取目标代价模态分量预测模型，将验证数据集中第一时刻对应的代价模态分量加入训练数据集，得到更新后的训练数据集和验证数据集，其中，第一时刻对应的代价模态分量与训练数据集时序相邻；根据更新后的训练数据集得到验证样本代价模态分量，输入验证样本代价模态分量到目标代价模态分量预测模型，得到验证代价模态分量；获取更新后的验证数据集中第二时刻对应的代价模态分量，其中，第二时刻与第一时刻时序相邻；对第二时刻对应的代价模态分量和验证代价模态分量进行比较，得到验证结果。
上述碳排放权代价值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5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碳排放权代价值预测数据。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碳排放权代价值预测方法。
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终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种碳排放权代价值预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，前述结构，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上述各方法实施例的步骤。
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上述各方法实施例的步骤。
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上述各方法实施例的步骤。
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，所述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。
以上所述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 (10)
1.一种碳排放权代价值预测方法，其特征在于，所述方法包括：
获取历史碳排放权代价序列，对所述历史碳排放权代价序列进行分解得到若干组代价模态分量；
基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组所述代价模态分量对应的样本代价模态分量，通过所述样本代价模态分量训练对应的所述初始代价模态分量预测模型，得到目标代价模态分量预测模型；
根据所述代价模态分量得到输入代价模态分量，将所述输入代价模态分量输入所述目标代价模态分量预测模型，得到预测代价模态分量，根据所述预测代价模态分量确定预测碳排放权代价值，其中，所述预测代价模态分量与所述输入代价模态分量时序相邻。
2.根据权利要求1所述的方法，其特征在于，所述获取每组所述代价模态分量对应样本代价模态分量，通过所述样本代价模态分量训练对应的所述初始代价模态分量预测模型，包括：
对所述样本代价模态分量进行归一化处理，得到归一化代价模态分量；
获取时间预设范围，根据所述时间预设范围在所述归一化代价模态分量中获取第一训练样本，并获取与所述第一训练样本时序相邻的第二训练样本；
根据所述第一训练样本和第二训练样本得到所述初始代价模态分量预测模型的误差方程，基于所述误差方程对所述初始代价模态分量预测模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述根据所述时间预设范围在所述归一化代价模态分量中获取第一训练样本，并获取与所述第一训练样本时序相邻的第二训练样本之后，包括：
将所述第二训练样本加入至所述第一训练样本，并根据所述时间预设范围重新确定，得到更新后的第一训练样本；
根据所述更新后的第一训练样本确定更新后的第二训练样本，所述更新后的第二训练样本与所述更新后的第一训练样本时序相邻；
根据所述更新后的第一训练样本和所述更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。
4.根据权利要求2所述的方法，其特征在于，所述根据所述第一训练样本和第二训练样本得到所述初始代价模态分量预测模型的误差方程，基于所述误差方程对所述初始代价模态分量预测模型进行训练，包括：
获取所述初始代价模态分量预测模型的模型参数和状态转移函数；
基于所述状态转移函数对所述第一训练样本进行计算，得到所述初始代价模态分量预测模型的预测分量；
根据所述第二训练样本获取所述第二训练样本对应的归一化代价模态分量，得到实际分量；
对所述实际分量和所述预测分量进行比较，得到所述初始代价模态分量预测模型的误差方程；
通过更新所述模型参数和所述误差方程对所述初始代价模态分量预测模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述通过更新所述模型参数和所述误差方程对所述初始代价模态分量预测模型进行训练，包括：
基于智能优化算法对所述模型参数进行更新，得到更新后的模型参数；
通过所述更新后的模型参数更新所述初始代价模态分量预测模型，得到更新后的预测模型，并基于随机优化算法和所述误差方程对所述更新后的预测模型进行训练。
6.根据权利要求1所述的方法，其特征在于，该方法还包括：
对所述代价模态分量按照时间序列划分得到训练数据集和验证数据集，其中，所述训练数据集用于表征训练所述初始代价模态分量预测模型对应的所述样本代价模态分量的集合；
获取所述目标代价模态分量预测模型，将所述验证数据集中第一时刻对应的代价模态分量加入所述训练数据集，得到更新后的训练数据集和验证数据集，其中，所述第一时刻对应的代价模态分量与所述训练数据集时序相邻；
根据所述更新后的训练数据集得到验证样本代价模态分量，输入所述验证样本代价模态分量到所述目标代价模态分量预测模型，得到验证代价模态分量；
获取所述更新后的验证数据集中第二时刻对应的代价模态分量，其中，所述第二时刻与所述第一时刻时序相邻；
对所述第二时刻对应的代价模态分量和所述验证代价模态分量进行比较，得到验证结果。
7.一种碳排放权代价值预测装置，其特征在于，所述装置包括：
数据处理模块，用于获取历史碳排放权代价序列，对所述历史碳排放权代价序列进行分解得到若干组样本代价模态分量；
模型训练模块，用于基于长短期记忆神经网络获取多个初始代价模态分量预测模型，针对每组所述样本代价模态分量，通过所述样本代价模态分量训练对应的所述初始代价模态分量预测模型，得到目标代价模态分量预测模型；
模型预测模块，用于将当前代价模态分量输入所述目标代价模态分量预测模型，得到预测代价模态分量，根据所述预测代价模态分量确定预测碳排放权代价值，其中，所述预测代价模态分量是指所述当前代价模态分量下一时刻的预测值。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622747.XA CN116796890A (zh) | 2023-05-29 | 2023-05-29 | 碳排放权代价值预测方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622747.XA CN116796890A (zh) | 2023-05-29 | 2023-05-29 | 碳排放权代价值预测方法、装置、设备、介质和产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796890A true CN116796890A (zh) | 2023-09-22 |
Family
ID=88033862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310622747.XA Pending CN116796890A (zh) | 2023-05-29 | 2023-05-29 | 碳排放权代价值预测方法、装置、设备、介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796890A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160204A (zh) * | 2015-10-28 | 2015-12-16 | 河海大学 | 一种碳排放价格组合预测方法 |
| CN110309603A (zh) * | 2019-07-05 | 2019-10-08 | 华北电力大学（保定） | 一种基于风速特性的短期风速预测方法及系统 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
| CN113125095A (zh) * | 2021-04-19 | 2021-07-16 | 河北工业大学 | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 |
| CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
| CN115760213A (zh) * | 2022-11-29 | 2023-03-07 | 国网河南省电力公司南阳供电公司 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
| CN115775156A (zh) * | 2022-11-16 | 2023-03-10 | 天津大学 | 基于混合学习模型的矿山经济评价原材料价格预测方法 |
| CN115795866A (zh) * | 2022-11-29 | 2023-03-14 | 中国电力科学研究院有限公司 | 一种碳交易价格预测方法、系统、设备及存储介质 |
-
2023
- 2023-05-29 CN CN202310622747.XA patent/CN116796890A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160204A (zh) * | 2015-10-28 | 2015-12-16 | 河海大学 | 一种碳排放价格组合预测方法 |
| CN110309603A (zh) * | 2019-07-05 | 2019-10-08 | 华北电力大学（保定） | 一种基于风速特性的短期风速预测方法及系统 |
| CN110852527A (zh) * | 2019-11-20 | 2020-02-28 | 成都理工大学 | 一种结合深度学习的储层物性参数预测方法 |
| CN113125095A (zh) * | 2021-04-19 | 2021-07-16 | 河北工业大学 | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 |
| CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
| CN115775156A (zh) * | 2022-11-16 | 2023-03-10 | 天津大学 | 基于混合学习模型的矿山经济评价原材料价格预测方法 |
| CN115760213A (zh) * | 2022-11-29 | 2023-03-07 | 国网河南省电力公司南阳供电公司 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
| CN115795866A (zh) * | 2022-11-29 | 2023-03-14 | 中国电力科学研究院有限公司 | 一种碳交易价格预测方法、系统、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 拓端TECDAT: "Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测", pages 1 - 6, Retrieved from the Internet <URL:https://www.bilibili.com/read/cv17601746/> * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Eddi: Efficient dynamic discovery of high-value information with partial vae | |
| Alhamdoosh et al. | Fast decorrelated neural network ensembles with random weights | |
| US20230049089A1 (en) | Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium | |
| Li et al. | Dynamic structure embedded online multiple-output regression for streaming data | |
| Nadimi-Shahraki et al. | Discrete improved grey wolf optimizer for community detection | |
| CN112990958A (zh) | 数据处理方法、装置、存储介质及计算机设备 | |
| Korkmaz Tan et al. | Adaptive parameter tuning for agent-based modeling and simulation | |
| Prüser et al. | Nonlinearities in macroeconomic tail risk through the lens of big data quantile regressions | |
| CN117541291A (zh) | 一种基于emd分解和ssa-svm模型的电价预测方法及系统 | |
| CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
| CN115392594B (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
| CN116959600A (zh) | 分子状态预测方法、装置和存储介质 | |
| CN116682506A (zh) | 数据处理方法、训练方法、确定方法、设计方法和装置 | |
| CN116796890A (zh) | 碳排放权代价值预测方法、装置、设备、介质和产品 | |
| CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
| CN117709497A (zh) | 对象信息预测方法、装置、计算机设备和存储介质 | |
| CN114154679B (zh) | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 | |
| CN115577618B (zh) | 高压换流阀厅环境因子预测模型构建方法与预测方法 | |
| CN114637962B (zh) | 海洋数值预报产品验证方法、系统、电子设备及存储介质 | |
| CN117613890A (zh) | 风功率预测方法、装置、计算机设备和存储介质 | |
| CN118839070A (zh) | 一种信息传播预测模型的确定方法、应用方法及相关装置 | |
| Alhakamy | Fathoming the Mandela Effect: Deploying Reinforcement Learning to Untangle the Multiverse. Symmetry 2023, 15, 699 | |
| Barriot et al. | A Possible Artificial Intelligence Ecosystem Avatar: the Moorea case (IDEA) | |
| CN118607725A (zh) | 风功率预测方法、装置、计算机设备及存储介质 | |
| Öğretir et al. | SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal 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 |