CN116957356B - 一种基于大数据的景区碳中和管理方法和系统 - Google Patents
一种基于大数据的景区碳中和管理方法和系统 Download PDFInfo
- Publication number
- CN116957356B CN116957356B CN202310913281.9A CN202310913281A CN116957356B CN 116957356 B CN116957356 B CN 116957356B CN 202310913281 A CN202310913281 A CN 202310913281A CN 116957356 B CN116957356 B CN 116957356B
- Authority
- CN
- China
- Prior art keywords
- data
- carbon
- carbon emission
- historical
- emission
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 224
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 221
- 238000006386 neutralization reaction Methods 0.000 title claims abstract description 38
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 238000010521 absorption reaction Methods 0.000 claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 229960004424 carbon dioxide Drugs 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002090 carbon oxide Inorganic materials 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000006403 short-term memory Effects 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 240000000161 Lagerstroemia indica Species 0.000 description 1
- 235000000283 Lagerstroemia parviflora Nutrition 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 241001106462 Ulmus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000011160 research 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/08—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的景区碳中和管理方法和系统，包括用于获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，计算历史碳排放量和历史碳吸收量，计算相关度筛选相关度大于70％的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据，构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量，计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进。该方法不仅可以提高碳中和管理精度，同时具有较好的可解释性，可以直接应用于基于大数据的景区碳中和管理系统中。
Description
技术领域
本发明涉及大数据领域，尤其涉及一种基于大数据的景区碳中和管理方法和系统。
背景技术
大数据技术在景区碳中和领域的应用越来越广泛，可以帮助景区碳中和管理系统的管理者及时、高效地获取景区碳中和，实现景区碳中和管理的调整。目前，景区碳中和管理系统具有用户信息量庞大、数据种类多样、信息密度大等特点，景区碳中和管理系统碳中和方法存在较多的不确定因素，导致景区碳中和管理的碳中和方法存在较大的不确定性。虽然已经发明了一些景区碳中和管理系统碳中和方法，但是仍不能有效解决景区碳中和管理系统碳中和方法的不确定问题。
发明内容
本发明的目的是要提供一种基于大数据的景区碳中管理方法和系统。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
A获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，根据预处理后的所述环境数据和所述植被数据分别计算历史碳排放量和历史碳吸收量；
B计算预处理后的所述植被数据和所述历史碳吸收量的相关度，计算预处理后的所述环境数据与所述历史排放量的相关度，筛选相关度大于70％的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据；
C构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量；
所述预测模型包括支持向量机算法和长短期记忆神经网络，将所述排放数据和所述实际碳排放量划分为测试集和训练集，将所述训练集输入训练好的支持向量机算法预测第一碳排放量，将所述训练集输入训练好的长短期记忆神经网络预测第二碳排放量，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量；
D计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进。
进一步的，在步骤B中所述预处理的方法，包括删除缺失、异常和重复的子区域所述环境数据，将删除后的所述环境数据进行数据转换。
进一步的，所述计算历史碳排放量和历史碳吸收量的方法，包括：
a、根据预处理后的所述环境数据计算历史碳排放量：
其中景区的实际碳排放量为Q，能源为j有n种，景区的能源j的使用量为Aj，能源j的碳排放系数为Bj，碳和二氧化碳的转换因子为α；
b、根据预处理后的所述植被数据计算历史碳吸收量：
其中景区的碳吸收量为H，景区的植被a的生物数量为Da，景区的植被a的碳储数据为Ta，植被数量有q种。
进一步的，所述相关度的计算方法，包括：
将所述环境数据和所述植被数据作为影响数据，所述历史碳排放量和所述历史碳吸收量作为历史数据，采用均值法对所述影响数据与所述历史数据进行无量纲化处理，计算所述影响数据与所述历史数据的绝对差值：
C＝|cj(x)-dj(x)|
其中第j个影响数据的无量纲值为ci(x)，第i个历史数据的无量纲值为di(x)；
计算所述影响数据与所述历史数据的关联系数：
其中第j个影响数据的相关系数为gj(x)，分辨率为ρ，自变量i无量纲值的最小差值为min，自变量i无量纲值的最大差值为max；
计算所述影响数据与所述未来碳排放量的相关度：
其中相关度为rj，影响数据个数为m，第j个影响数据的相关度为rj。
进一步的，所述构建预测模型的方法，包括将所述测试集输入所述预测模型进行训练，所述支持向量机算法采用最大化间隔给出超平面，根据所述超平面进行分类，所述长短期记忆神经网络捕捉环境数据的时序依赖关系学习碳排放量的特征和分类规律，根据预测排放量和历史排放量的偏差对所述支持向量机算法和长短期记忆神经网络调优，当偏差低于15％时停止调优。
进一步的，将所述排放数据和所述实际碳排放量划分为测试集和训练集的方法，包括将所述环境数据和所述实际碳排放量按时间进行排序，设定时间窗口长度，根据时间窗口将所述环境数据和所述实际碳排放量划分成连续的数据集，将数据集按2：1划分为训练集和测试集。
进一步的，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量的方法，包括：
将所述第一碳排放量和所述第二碳排放量作为评估对象，构造为指标数值矩阵，正向化指标数值矩阵：
其中正向化后的指标数值矩阵为a′ij，系数为σ，所有评估对象中第i个指标的最大值为max(Bi)，第i行j列的指标aij；
归一化指标数据：
其中矩阵的的列数为M；
计算各指标的标准差和相关系数：
其中第i个指标的标准差为δi，第i个指标在在所有评估对象的均值为第k个指标与第l个指标的相关系数为pkl，第k行j列的归一化指标数据为bkj，第l行j列的归一化指标数据为blj，第k个指标在在所有评估对象的均值为/>第l个指标在在所有评估对象的均值为/>
计算各指标的信息量：
其中第i个指标的信息量为Di，指标数值矩阵的行数为H；计算客观权重：
其中第i个指标的权重为对所述误差对所述第一碳排放量和所述第二碳排放量进行赋权。
第二方面，一种基于大数据的景区碳中和管理系统，包括：
数据模块：用于获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，根据预处理后的所述环境数据和所述植被数据分别计算历史碳排放量和历史碳吸收量；
测算模块：计算预处理后的所述植被数据和所述历史碳吸收量的相关度，计算预处理后的所述环境数据与所述历史排放量的相关度，筛选相关度大于70％的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据；
预测模块：构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量；
所述预测模型包括支持向量机算法和长短期记忆神经网络，将所述排放数据和所述实际碳排放量划分为测试集和训练集，将所述训练集输入训练好的支持向量机算法预测第一碳排放量，将所述训练集输入训练好的长短期记忆神经网络预测第二碳排放量，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量；
管理模块：计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进。
本发明的有益效果是：
本发明是一种基于大数据的景区碳中和管理方法和系统，与现有技术相比，本发明具有以下技术效果：
本发明通过监测、预处理、测算、预测和管理步骤，可以提高碳中和的准确性，从而提高碳中和的精度，将碳中和量化，可以大大节省资源和人力成本，提高工作效率，可以实现对景区碳中和管理系统的碳中和，实时对智能交互系统进行碳中和改进，对景区碳中和管理系统碳中和具有重要意义，可以适应不同景区碳中和管理系统、不同用户的景区碳中和管理系统的碳中和需求，具有一定的普适性。
附图说明
图1为本发明一种基于大数据的景区碳中和管理方法的步骤流程图。
具体实施方法
下面通过具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明基于大数据的景区碳中和管理方法和系统包括以下步骤：
如图1所示，在本实施例中，包括以下步骤：
A获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，根据预处理后的所述环境数据和所述植被数据分别计算历史碳排放量和历史碳吸收量；
B计算预处理后的所述植被数据和所述历史碳吸收量的相关度，计算预处理后的所述环境数据与所述历史排放量的相关度，筛选相关度大于70％的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据；
C构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量；
所述预测模型包括支持向量机算法和长短期记忆神经网络，将所述排放数据和所述实际碳排放量划分为测试集和训练集，将所述训练集输入训练好的支持向量机算法预测第一碳排放量，将所述训练集输入训练好的长短期记忆神经网络预测第二碳排放量，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量；
D计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进；
在实际评估中，将成都某景区作为研究对象，监测了其近三年内不同景点的植被数据和环境数据，所述植被数据包括植被种类数量、碳储量、气候和土壤，所述环境数据包括能源消耗、交通工具种类数量、游客数和建筑，其中获取景点内的松树、柏树、柳树、榆树、常绿灌木、紫薇的植被碳储量，监测景区内的电力、太阳能、天然气、生物质能源和水力能源的能源消耗数据。
在本实施例中，在步骤B中所述预处理的方法，包括删除缺失、异常和重复的子区域所述环境数据，将删除后的所述环境数据进行数据转换。
在本实施例中，所述计算历史碳排放量和历史碳吸收量的方法，包括：
a、根据预处理后的所述环境数据计算历史碳排放量：
其中景区的实际碳排放量为Q，能源为j有n种，景区的能源j的使用量为Aj，能源j的碳排放系数为Bj，碳和二氧化碳的转换因子为α；
b、根据预处理后的所述植被数据计算历史碳吸收量：
其中景区的碳吸收量为H，景区的植被a的生物数量为Da，景区的植被a的碳储数据为Ta，植被数量有q种；
在实际评估中，2020.6到2021.6、2021.7到2022.6、2022.7到2023.6月景区的碳排放量分别为897.5吨、653.7吨、6585.6吨，2020年、2021年、2022年景区的碳吸收量分别为8391.5吨、7453.7吨、9975.68吨。
在本实施例中，所述相关度的计算方法，包括：
将所述环境数据和所述植被数据作为影响数据，所述历史碳排放量和所述历史碳吸收量作为历史数据，采用均值法对所述影响数据与所述历史数据进行无量纲化处理，计算所述影响数据与所述历史数据的绝对差值：
C＝|cj(x)-dj(x)|
其中第j个影响数据的无量纲值为ci(x)，第i个历史数据的无量纲值为di(x)；
计算所述影响数据与所述历史数据的关联系数：
其中第j个影响数据的相关系数为gj(x)，分辨率为ρ，自变量i无量纲值的最小差值为min，自变量i无量纲值的最大差值为max；
计算所述影响数据与所述未来碳排放量的相关度：
其中相关度为rj，影响数据个数为m，第j个影响数据的相关度为rj；
在实际评估中，所述环境数据的相关度分别为能源消耗0.915、交通工具种类数量0.814、游客数0.865、建筑0.51，所述植被数据的相关度分别为植被种类数量0.907、气候0.89、土壤0.803、碳储量0.53。
在本实施例中，所述构建预测模型的方法，包括将所述测试集输入所述预测模型进行训练，所述支持向量机算法采用最大化间隔给出超平面，根据所述超平面进行分类，所述长短期记忆神经网络捕捉环境数据的时序依赖关系学习碳排放量的特征和分类规律，根据预测排放量和历史排放量的偏差对所述支持向量机算法和长短期记忆神经网络调优，当偏差低于15％时停止调优。
在本实施例中，将所述排放数据和所述实际碳排放量划分为测试集和训练集的方法，包括将所述环境数据和所述实际碳排放量按时间进行排序，设定时间窗口长度，根据时间窗口将所述环境数据和所述实际碳排放量划分成连续的数据集，将数据集按2：1划分为训练集和测试集。
在本实施例中，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量的方法，包括：
将所述第一碳排放量和所述第二碳排放量作为评估对象，构造为指标数值矩阵，正向化指标数值矩阵：
其中正向化后的指标数值矩阵为avij，系数为σ，所有评估对象中第i个指标的最大值为max(Bi)，第i行j列的指标aij；
归一化指标数据：
其中矩阵的的列数为M；
计算各指标的标准差和相关系数：
其中第i个指标的标准差为δi，第i个指标在在所有评估对象的均值为第k个指标与第l个指标的相关系数为pkl，第k行j列的归一化指标数据为bkj，第l行j列的归一化指标数据为blj，第k个指标在在所有评估对象的均值为/>第l个指标在在所有评估对象的均值为/>
计算各指标的信息量：
其中第i个指标的信息量为Di，指标数值矩阵的行数为H；计算客观权重：
其中第i个指标的权重为对所述误差对所述第一碳排放量和所述第二碳排放量进行赋权；
在实际评估中，预测2023.7到2024.6的第一碳排放量为19473.9吨，预测2023.7到2024.6的第二碳排放量为23548.9吨，第一碳排放量为的权重,0.39，第二碳排放量的权重为0.61，预测2023.7到2024.6的碳排放量为21959.65吨，预测2023.7到2024.6的碳吸收量为14473.9吨，差值为7485.75吨，对景区所述未来碳排放量进行改进的方法包括根据所述相关性的排序制定对应的碳中和方案，所述碳中和方案包括采用高效节能设备、利用可再生资源、优化能源使用、采用环保材料、扩栽绿色吸碳植被、碳补偿措施。
第二方面，一种基于大数据的景区碳中和管理系统，包括：
数据模块：用于获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，根据预处理后的所述环境数据和所述植被数据分别计算历史碳排放量和历史碳吸收量；
测算模块：计算预处理后的所述植被数据和所述历史碳吸收量的相关度，计算预处理后的所述环境数据与所述历史排放量的相关度，筛选相关度大于70％的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据；
所述预测模型包括支持向量机算法和长短期记忆神经网络，将所述排放数据和所述实际碳排放量划分为测试集和训练集，将所述训练集输入训练好的支持向量机算法预测第一碳排放量，将所述训练集输入训练好的长短期记忆神经网络预测第二碳排放量，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量；
预测模块：构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量；
管理模块：计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据的景区碳中和管理方法，其特征在于，包括以下步骤：
A获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，根据预处理后的所述环境数据和所述植被数据分别计算历史碳排放量和历史碳吸收量；包括：
a、根据预处理后的所述环境数据计算历史碳排放量：
其中景区的实际碳排放量为Q，能源为j有n种，景区的能源j的使用量为，能源j的碳排放系数为/>，碳和二氧化碳的转换因子为/>；
b、根据预处理后的所述植被数据计算历史碳吸收量：
其中景区的碳吸收量为H，景区的植被a的生物数量为，景区的植被a的碳储数据为，植被数量有q种；
B计算预处理后的所述植被数据和所述历史碳吸收量的相关度，计算预处理后的所述环境数据与所述历史碳排放量的相关度，筛选相关度大于70%的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据；
C构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量；
所述预测模型包括支持向量机算法和长短期记忆神经网络，将所述排放数据和所述实际碳排放量划分为测试集和训练集，将所述训练集输入训练好的支持向量机算法预测第一碳排放量，将所述训练集输入训练好的长短期记忆神经网络预测第二碳排放量，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量；包括：
将所述第一碳排放量和所述第二碳排放量作为评估对象，构造为指标数值矩阵，正向化指标数值矩阵：
其中正向化后的指标数值矩阵为，系数为/>，所有评估对象中第i个指标的最大值为，第i行j列的指标/>；
归一化指标数据：
其中矩阵的列数为M；
计算各指标的标准差和相关系数：
其中第i个指标的标准差为，第i个指标在在所有评估对象的均值为/>，第k个指标与第l个指标的相关系数为/>，第k行j列的归一化指标数据为/>，第l行j列的归一化指标数据为/>，第k个指标在在所有评估对象的均值为/>，第l个指标在在所有评估对象的均值为/>；
计算各指标的信息量：
其中第i个指标的信息量为，指标数值矩阵的行数为H；计算客观权重：
其中第i个指标的权重为，通过所述权重对所述第一碳排放量和所述第二碳排放量进行赋权；
D计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进；包括：
将所述环境数据和所述植被数据作为影响数据，所述历史碳排放量和所述历史碳吸收量作为历史数据，采用均值法对所述影响数据与所述历史数据进行无量纲化处理，计算所述影响数据与所述历史数据的绝对差值：
其中第j个影响数据的无量纲值为，第i个历史数据的无量纲值为/>；
计算所述影响数据与所述历史数据的关联系数：
其中第j个影响数据的相关系数为，分辨率为/>，自变量i无量纲值的最小差值为min，自变量i无量纲值的最大差值为max；
计算所述影响数据与所述未来碳排放量的相关度：
其中相关度为，影响数据个数为m，第j个影响数据的相关度为/>。
2.根据权利要求1所述的一种基于大数据的景区碳中和管理方法，其特征在于，在步骤B中所述预处理的方法，包括删除缺失、异常和重复的子区域所述环境数据，将删除后的所述环境数据进行数据转换。
3.根据权利要求1所述的一种基于大数据的景区碳中和管理方法，其特征在于，所述构建预测模型的方法，包括将所述测试集输入所述预测模型进行训练，所述支持向量机算法采用最大化间隔给出超平面，根据所述超平面进行分类，所述长短期记忆神经网络捕捉环境数据的时序依赖关系学习碳排放量的特征和分类规律，根据预测排放量和历史碳排放量的偏差对所述支持向量机算法和长短期记忆神经网络调优，当偏差低于15%时停止调优。
4.根据权利要求1所述的一种基于大数据的景区碳中和管理方法，其特征在于，将所述排放数据和所述实际碳排放量划分为测试集和训练集的方法，包括将所述环境数据和所述实际碳排放量按时间进行排序，设定时间窗口长度，根据时间窗口将所述环境数据和所述实际碳排放量划分成连续的数据集，将数据集按2：1划分为训练集和测试集。
5.一种基于大数据的景区碳中和管理系统，所述系统执行所述权利要求1~4任一项所述方法，包括：
数据模块：获取历史数据的植被数据和环境数据，对所述植被数据和所述环境数据进行预处理，根据预处理后的所述环境数据和所述植被数据分别计算历史碳排放量和历史碳吸收量；
测算模块：计算预处理后的所述植被数据和所述历史碳吸收量的相关度，计算预处理后的所述环境数据与所述历史碳排放量的相关度，筛选相关度大于70%的预处理后的所述植被数据和所述环境数据分别获得吸收数据和排放数据；
预测模块：构建预测模型，将所述排放数据和所述历史碳排放量输入预测模型预测未来碳排放量，将所述吸收数据和所述历史碳吸收量输入模拟地球模型预测未来碳吸收量；
所述预测模型包括支持向量机算法和长短期记忆神经网络，将所述排放数据和所述实际碳排放量划分为测试集和训练集，将所述训练集输入训练好的支持向量机算法预测第一碳排放量，将所述训练集输入训练好的长短期记忆神经网络预测第二碳排放量，对所述第一碳排放量和所述第二碳排放量赋权获得未来碳排放量；
管理模块：计算所述未来碳排放量与所述未来碳吸收量的差值，根据所述差值对景区所述未来碳排放量进行改进。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913281.9A CN116957356B (zh) | 2023-07-25 | 2023-07-25 | 一种基于大数据的景区碳中和管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913281.9A CN116957356B (zh) | 2023-07-25 | 2023-07-25 | 一种基于大数据的景区碳中和管理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116957356A CN116957356A (zh) | 2023-10-27 |
| CN116957356B true CN116957356B (zh) | 2024-01-02 |
Family
ID=88452422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913281.9A Active CN116957356B (zh) | 2023-07-25 | 2023-07-25 | 一种基于大数据的景区碳中和管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116957356B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422004B (zh) * | 2023-12-19 | 2024-04-02 | 武汉东方骏驰精密制造有限公司 | 基于神经网络的碳势预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850706A (zh) * | 2021-11-30 | 2021-12-28 | 阿里云计算有限公司 | 一种地区碳测算方法、展示平台、云服务器及存储介质 |
| CN115730755A (zh) * | 2022-11-30 | 2023-03-03 | 湖北省信产通信服务有限公司工程分公司 | 一种双碳目标实现路径规划方法、装置、终端设备及介质 |
| CN116051335A (zh) * | 2022-12-26 | 2023-05-02 | 江苏巨楷科技发展有限公司 | 一种通过大数据预测方向的环境碳管理方法 |
| CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
-
2023
- 2023-07-25 CN CN202310913281.9A patent/CN116957356B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850706A (zh) * | 2021-11-30 | 2021-12-28 | 阿里云计算有限公司 | 一种地区碳测算方法、展示平台、云服务器及存储介质 |
| CN115730755A (zh) * | 2022-11-30 | 2023-03-03 | 湖北省信产通信服务有限公司工程分公司 | 一种双碳目标实现路径规划方法、装置、终端设备及介质 |
| CN116051335A (zh) * | 2022-12-26 | 2023-05-02 | 江苏巨楷科技发展有限公司 | 一种通过大数据预测方向的环境碳管理方法 |
| CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于碳中和的旅游景区净碳排放估算与低碳景区建设――以镇江"焦山"风景区为例;王志民;张新林;邱小樱;;南京师大学报(自然科学版)(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116957356A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
| CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
| CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
| CN116957356B (zh) | 一种基于大数据的景区碳中和管理方法和系统 | |
| CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
| CN104573000A (zh) | 基于排序学习的自动问答装置及方法 | |
| CN109858700A (zh) | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
| CN110196886A (zh) | 农业面源污染多源异构大数据关联方法及采用该方法的大数据监管平台 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| CN116205310A (zh) | 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法 | |
| CN115775053A (zh) | 一种基于改进相似时刻法的分布式光伏功率短期预测方法 | |
| CN117788218B (zh) | 一种碳排放评估方法及系统 | |
| CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
| CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
| CN114386701B (zh) | 一种基于清洁供热决策支撑评价方法及系统 | |
| CN115859701A (zh) | 一种基于电缆检测数据的增设分析方法及系统 | |
| CN117874584A (zh) | 一种基于气象聚类的神经网络超短期光伏功率预测方法 | |
| CN113919573A (zh) | 一种风力、光伏发电系统输出功率短期预测应用软件及其方法 | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
| CN112381297A (zh) | 一种基于社会信息计算的地区中长期用电量预测方法 |
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 |