CN116992265A - 碳排放量估算方法、装置、设备和存储介质 - Google Patents
碳排放量估算方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116992265A CN116992265A CN202311225992.3A CN202311225992A CN116992265A CN 116992265 A CN116992265 A CN 116992265A CN 202311225992 A CN202311225992 A CN 202311225992A CN 116992265 A CN116992265 A CN 116992265A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- neural network
- model
- estimated
- candidate
- 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 291
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000001537 neural effect Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims description 91
- 238000004364 calculation method Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 42
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000010206 sensitivity analysis Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 16
- 230000001186 cumulative effect Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010792 warming Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 150000001721 carbon Chemical class 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于碳排放控制应用技术领域，具体涉及一种碳排放量估算方法、装置、设备和存储介质。该方法通过获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；将所述估算数据集输入至神经网络‑时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络‑时间序列模型是根据已披露的历史碳排放量训练得到的；该方法不仅实现了对碳排放量数据披露不足的企业进行碳排放量估算，并且体现了季节性、假期等不同时段特征对碳排放量估算的影响，同时，提高了碳排放量估算结果的准确性。
Description
技术领域
本申请属于碳排放控制技术领域，具体涉及一种碳排放量估算方法、装置、设备和存储介质。
背景技术
随着经济的快速发展，能源消耗在逐年增加，全球变暖已成为人们公认的地球最大危机之一，而碳排放通常被认为是地球变暖的最主要因素，因此控制碳排放、对碳排放量进行估算具有重要意义。
目前，对于碳排放量的估算方法，通常是根据企业的历史碳排放量数据为基础，对企业未来一定时间范围内的碳排放量进行估算。然而，现有的碳排放量估算方法受企业碳排放量数据的可得性和估算周期的限制，使得估算结果的准确度较低，无法对碳排放量数据披露不足的企业进行碳排放量估算，也无法体现季节性、假期等不同时段特征对碳排放量估算的影响。
因此，如何准确的对碳排放量进行估算，是目前所要解决的问题。
发明内容
本申请提供了一种碳排放量估算方法、装置、设备和存储介质，用以解决如何准确的对碳排放量进行估算的问题。
第一方面，本申请提供一种碳排放量估算方法，该方法包括：
获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；
将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
可选的，所述获取碳排放量的估算数据集之前，所述方法还包括：
构建神经网络模型，并获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；
根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；
将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；
对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型。
可选的，所述将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练之后，所述方法还包括：
对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率；
根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数；
可选的，所述获取所述估算目标的碳排放量的候选数据集；
根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；
将所述目标数据作为所述碳排放量的估算数据集。
可选的，所述获取碳排放量-参数计算模型输出的参数数量以及参数类型之前，所述方法还包括：
获取所述碳排放量-参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；
根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量-参数计算模型的候选特征参数数量；
根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型。
可选的，所述根据所述参数类型、每个类型对应的参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型之后，所述方法还包括：
对所述碳排放量-参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率；
对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率；
根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数；
将所述候选特征参数作为所述碳排放量-参数计算模型中的特征参数。
对所述候选特征参数的系数进行修正处理，得到修正后的碳排放量-参数计算模型，其中，所述修正后的碳排放量-参数计算模型中的特征参数为候选特征参数。
第二方面，本申请提供一种碳排放量估算装置，该装置包括：
获取模块，用于获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；
处理模块，用于将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
可选的，所述装置还包括：确定模块；
所述处理模块，还用于构建神经网络模型，并获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；
所述确定模块，用于根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；
所述处理模块，还用于将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；
所述处理模块，还用于对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型。
可选的，所述处理模块，还用于对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率；
所述处理模块，还用于根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数。
可选的，所述获取模块，还用于获取所述估算目标的碳排放量的候选数据集；
所述确定模块，还用于根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；
所述处理模块，还用于将所述目标数据作为所述碳排放量的估算数据集。
可选的，所述获取模块，还用于获取所述碳排放量-参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；
所述处理模块，还用于根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量-参数计算模型的候选特征参数数量；
所述处理模块，还用于根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型。
可选的，所述处理模块，还用于对所述碳排放量-参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率；
所述处理模块，还用于对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率 ；
所述处理模块，还用于根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数；
所述处理模块，还用于将所述候选特征参数作为所述碳排放量-参数计算模型中的特征参数。
第三方面，本申请提供一种设备，包括：
存储器；
处理器；
其中，所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如上述第一方面及第一方面各种可能的实现方式所述的碳排放量估算方法。
第四方面，本申请提供一种计算机存储介质，其上存储有计算机执行指令，所述计算机执行指令被处理器执行以实现如上述第一方面及第一方面各种可能的实现方式所述的碳排放量估算方法。
本申请提供的碳排放量估算方法，通过获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的；该方法不仅实现了对碳排放量数据披露不足的企业进行碳排放量估算，并且体现了季节性、假期等不同时段特征对碳排放量估算的影响，同时，提高了碳排放量估算结果的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请提供的碳排放量估算方法的流程图一；
图2是本申请提供的碳排放量估算方法的流程图二；
图3是本申请提供的碳排放量估算方法的流程图三；
图4是本申请提供的碳排放量估算装置的结构示意图；
图5是本申请提供的碳排放量估算设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
随着经济的快速发展，能源消耗在逐年增加，全球变暖已成为人们公认的地球最大危机之一，而碳排放通常被认为是地球变暖的最主要因素，因此控制碳排放、对碳排放量进行估算具有重要意义。
目前，对于碳排放量的估算方法，通常是根据企业的历史碳排放量数据为基础，对企业未来一定时间范围内的碳排放量进行估算。具体通过建立样本数据集，收集企业历史碳排放量数据；构建碳排放量估算模型；使用样本数据集中的历史碳排放量数据对碳排放量估算模型进行训练；最后输出企业的碳排放量趋势预测结果。
然而，现有的碳排放量估算方法存在以下缺点：样本数据集数据类别较少，使得估算结果的准确度较低；通常只能基于企业已披露的历史碳排放量数据对同一家企业未来碳排放量趋势进行估算，无法对碳排放量数据披露不足的企业进行碳排放量估算；现有的估算周期通常以年为单位，只能对企业年度碳排放量进行估算，无法体现季节性、假期等不同时段特征对碳排放量估算的影响。因此，如何准确的对碳排放量进行估算，是目前所要解决的问题。
针对上述问题，本申请提供了一种碳排放量估算方法，通过获取已披露的历史碳排放量，构建神经网络模型和时间序列模型，并将神经网络模型与时间序列模型进行耦合处理，得到神经网络-时间序列模型，再获取估算目标对应的碳排放量的估算数据集，将所述估算数据集输入至神经网络-时间序列模型中，得到神经网络-时间序列模型输出的碳排放量估算值；该方法不仅实现了对碳排放量数据披露不足的企业进行碳排放量估算，并且体现了季节性、假期等不同时段特征对碳排放量估算的影响，同时，提高了碳排放量估算结果的准确性。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以独立实现，也可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请实施例提供的碳排放量估算方法的流程图一。如图1所示，本实施例提供的碳排放量估算方法，包括：
S101、获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的。
其中，估算目标为需要进行碳排放量估算的对象，目标特征参数是指根据估算目标所在的区域和行业，收集到的与碳排放量相关的各类特征参数，估算数据集中的目标特征参数的数量可以是一个也可以是多个。
目标特征参数例如可以为区域特征参数、行业特征参数和财务特征参数等。其中，区域特征参数例如可以为：估算目标所在区域的就业率、通胀指数、固定资产投资、工业增加值、消费品零售总额、消费者信心指数、存款数据等；行业特征参数例如可以为：估算目标所属行业的市场规模、行业壁垒、资源要求程度、平均投资回收期、市场成熟程度、市场增长速度、行业中各企业的数量、分销渠道的种类等；财务特征参数例如可以为：估算目标的偿债能力、营运能力、盈利能力、企业发展能力等。
可以理解的，当所述估算目标的历史碳排放量尚未披露或者披露不足时，则无法根据所述估算目标的历史碳排放量估算其未来的碳排放量。由于目标特征参数与估算目标的历史碳排放量存在关联关系，且估算数据集是根据估算目标的至少一个目标特征参数确定的，因此，可以通过获取与所述估算目标对应的估算数据集，得到与估算目标的历史碳排放量相关的数据，提高碳排放量估算值的准确性。
示例性的，此处给出一种获取所述估算目标的碳排放量的候选数据集的具体实现方式，根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据，将所述目标数据作为所述碳排放量的估算数据集。
S102、将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
其中，所述神经网络-时间序列模型用于估算所述估算目标未来时段内的碳排放量，所述已披露的历史碳排放量可以是估算目标所属行业中其他企业的已披露的历史碳排放量，也可以是与估算目标所属行业相近行业中其他企业的已披露的历史碳排放量。
可以理解的，所述估算数据集中包括了估算目标的一个或者多个目标特征参数，将估算数据集输入神经网络-时间序列模型中，通过神经网络-时间序列模型对缺少活动水平数据的历史碳排放量数据进行仿真，可以得到估算目标对应的碳排放量估算值。
由于神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的，已披露的历史碳排放量与对应的目标特征参数存在关联关系，因此，训练好的神经网络-时间序列模型可以根据估算数据集中的目标特征参数，得到估算目标的碳排放量估算值。
示例性的，构建神经网络-时间序列模型的具体实现方式例如可以为：根据已披露的历史碳排放量数据确定神经网络模型的样本数据集，将所述样本数据集输入神经网络模型进行训练，得到训练后的神经网络模型，再构建与所述神经网络模型对应的时间序列模型，并将神经网络模型与时间序列模型进行耦合处理，并根据所述样本数据集对耦合后的模型进行训练，评估耦合后的模型的训练效果，根据出现的问题，对该模型做进一步调整，从而得到神经网络-时间序列模型。
时间序列模型例如可以采用以下公式计算得到：
其中，g(t)代表趋势项，是时间序列在非周期上面的碳排放量变化趋势；
s(t)表示周期项，或者称为季节项，一般以周年为单位；
h(t)表示节假日项，表示在当天是否存在节假日；
表示模型中未反映的噪声部分并假设噪声因子服从正态分布。
其中，趋势项例如可以采用以下两种公式计算得到：
（1）饱和增长趋势函数公式：
（2）分段线性趋势函数公式：
其中，表示模型承载量；r表示增长率；/>表示适应度；/>表示t时刻前突变点发生变化的次数；d表示偏移量。
周期项s(t)可用于模拟周、月、年等各种周期变化趋势，例如可以采用以下公式计算得到：
其中，N表示模型中使用该周期的个数；T表示期望时间序列的周期长度；2n表示拟合季节性需要估计的参数个数。对于年的周期性，设定T=365.25，N为10；对于每周的季节性，T设置为7，N则设置为3，N越大，拟合复杂的季节性越好。
假期项h(t)例如可以采用以下公式计算得到：
其中，Z(t)为指示函数；k表示节假日的影响范围。
可选的，在时间序列模型构建完成后，可以对时间序列模型进行数据拟合，步骤如下：
输入已知的时间序列的时间戳和相应的值；
输入需要预测的时间序列的长度；
输出未来的时间序列走势；
输出结果可以提供必要的统计指针，包括拟合曲线、上界、下界等，得到时间序列的碳排放估算模型。
本实施例提供的碳排放量估算方法，通过获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的；该方法不仅实现了对碳排放量数据披露不足的企业进行碳排放量估算，并且体现了季节性、假期等不同时段特征对碳排放量估算的影响，同时，提高了碳排放量估算结果的准确性。
图2为本申请实施例提供的碳排放量估算方法的流程图二。本实施例是在图1实施例的基础上，对碳排放量估算方法进行详细说明。如图2所示，本实施例提供的碳排放量估算方法，包括：
S201、构建神经网络模型，并获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量。
其中，神经网络模型用于对估算目标的碳排放量进行估算，碳排放量-参数计算模型用于确定已披露的历史碳排放量与多个特征参数之间的关系，特征参数是指与历史碳排放量存在关联关系的多个参数中，对历史碳排放量贡献率大的参数，特征参数类型例如可以为：区域特征参数、行业特征参数和财务特征参数，其中，行业特征参数对应的特征参数数量为n1，区域特征参数对应的特征参数数量为n2，财务特征参数对应的特征参数数量为n3。
可以理解的，根据碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量，可以确定影响碳排放量的主要参数及其对应的主要参数数量，并且构建对应的神经网络模型，这样做是为了降低神经网络模型的复杂度，同时，提高神经网络模型的精确度。
在该步骤中，构建的神经网络模型例如可以包括：输入层、隐含层和输出层，其中，输入层激活函数例如为线性整流函数（Rectified Linear Unit，简称ReLU），ReLU函数例如可以采用以下公式计算得到：
隐含层激活函数例如为归一化指数函数（简称Softmax函数），Softmax函数例如可以采用如下公式计算得到：
隐含层损失函数例如为均方根误差函数（Root Mean Square Error，简称RMSE函数），RMSE函数例如可以采用如下公式计算得到：
S202、根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集。
其中，所述特征参数类型、每个类型对应的特征参数数量是通过碳排放量-参数计算模型得到的，已披露的历史碳排放量可以是估算目标所属行业中其他企业的历史碳排放量，也可以是与估算目标所属行业相近行业中其他企业的历史碳排放量。
可以理解的，由于特征参数类型以及每个类型对应的特征参数数量与已披露的历史碳排放量之间存在关联关系，因此可以根据特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，构建所述神经网络模型的样本数据集，以解决现有技术中样本数据集数据类别较少，估算结果的准确度较低的问题。
S203、将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练。
其中，可以利用样本数据集中与特征参数对应的已披露的历史碳排放量数据对神经网络模型进行训练，将样本数据集中的样本均分为若干份，采用交叉验证训练神经网络模型通过调整神经网络模型中隐含层神经元的个数，计算在神经网络模型中的神经元个数不同时，训练神经网络模型得到的估算值的拟合优度R2 yp(-1≤R2 yp≤1)以及RMSEyp值，并与实际测试值的Ryt 2和RMSEyt值进行比较，计算得到拟合优度的残差|R2 yp-R2 yt|和均方根误差的残差|RMSEyp-RMSEyt|，取残差最小值对应的神经元个数下的神经网络模型为最佳神经网络模型。
可以理解的，在神经网络的隐含层中使用太少的神经元将导致神经网络模型欠拟合，相反，使用过多的神经元同样会导致一些问题。例如，当神经网络模型中具有过多的节点时，样本数据集中包含的有限信息量不足以训练隐含层中的所有神经元，易导致神经网络模型过拟合。即使训练数据包含的信息量足够，隐含层中过多的神经元会增加训练时间，从而难以达到预期的效果。因此，选择一个合适的隐含层神经元数量对所述神经网络模型进行训练是至关重要的。
在该步骤中，残差是指实际测试值与估计值（拟合值）之间的差，因此残差能够反映出神经网络模型测试的精准度，残差值越小，表示神经网络模型测试的精度越高，反之，残差值越大，表示神经网络模型测试的精度越低。
S204、对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率。
其中，敏感性分析用于分析神经网络模型中的单个特征参数对其他特征参数发生变化的敏感程度。
例如可以使用Delta矩独立测度法(Delta Moment-Independent Measure，简称DMIM)对神经网络模型进行敏感性分析，具体为：计算每个特征参数对历史碳排放量的直接贡献率，以及在全部特征参数交叉变化相互作用情况下，每个特征参数对历史碳排放量的贡献率，从而得到神经网络模型中的每个特征参数的贡献率。
可以理解的，特征参数对历史碳排放量的直接贡献率为当其他特征参数不变时，该特征参数所对应的碳排放量与总碳排放量的比值，当多个特征参数交叉变化时，每个特征参数均会受到影响，从而改变特征参数对历史碳排放量的贡献率。
该步骤的目的是为了通过对神经网络模型的敏感性分析，可以确定神经网络模型对各个特征参数的敏感程度。
S205、根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数。
其中，预设贡献率可以是根据经验设定的贡献率，特征参数的贡献率越大，则表明该特征参数的敏感程度越高，特征参数的贡献率越小，则表明该特征参数的敏感程度越低。
可以理解的，当特征参数的贡献率大于预设贡献率时，则证明该特征参数在发生变化时，神经网络模型中的历史碳排放量受其影响较大，即该特征参数为目标特征参数；当特征参数的贡献率小于预设贡献率时，则证明该特征参数在发生变化时，神经网络模型中的历史碳排放量受其影响较小。
示例性的，此处给出一种可能的实现方式，例如可以根据神经网络模型敏感性分析，得到每个特征参数的贡献率，按照每个特征参数的贡献率大小，对所有特征参数依次进行排序，并确定贡献率大于预设贡献率的目标特征参数，舍去贡献率小于预设贡献率的特征参数，在神经网络模型运行计算时，不再包含舍去的特征参数,以得到简化后的神经网络模型。
该步骤的目的是为了通过根据预设贡献率对多个特征参数进行筛选，得到目标特征参数，以实现在确保神经网络模型的准确性的同时，降低神经网络模型的复杂程度，提高神经网络模型的计算效率。
S206、对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型。
其中，可以根据神经网络模型估算出的碳排放量，构建时间序列模型，并将神经网络模型与时间序列模型进行耦合，得到所述神经网络-时间序列模型后，对缺少活动水平数据的历史碳排放量数据进行仿真，评估模型的拟合效果，根据出现的问题，进一步进行调整和建模。
S207、获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的。
步骤S207与上述步骤S101类似，在此不再赘述。
S208、将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
步骤S208与上述步骤S102类似，在此不再赘述。
本申请实施例提供的碳排放量估算方法，通过构建神经网络模型，并获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；根据所述特征参数类型、每个类型对应的特征参数数量以及对应的已披露碳排放量数据，确定所述神经网络模型的样本数据集；将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率，根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数，以降低神经网络模型的复杂程度，提高神经网络模型的计算效率；对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型；获取碳排放量的估算数据集，将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值；该方法不仅实现了对碳排放量数据披露不足的企业进行碳排放量估算，并且体现了季节性、假期等不同时段特征对碳排放量估算的影响，同时，提高了碳排放量估算结果的准确性。
图3为本申请实施例提供的碳排放量估算方法的流程图三，本实施例是在图2实施例的基础上，对碳排放量-参数计算模型的构建过程进行详细说明。如图3所示，本实施例提供的碳排放量估算方法，包括：
S301、获取所述碳排放量-参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数。
其中，所述碳排放量-参数计算模型用于确定神经网络模型中输入的样本数据集的特征参数。碳排放量-参数计算模型的样本数据集中的候选特征参数的类型例如可以为：区域特征参数、行业特征参数和财务特征参数，区域特征参数例如可以为已披露碳排放量数据的企业所在区域的就业率、通胀指数、固定资产投资、工业增加值、存款数据等；行业特征参数例如可以为已披露碳排放量数据的企业所属行业的企业数量及规模、技术革新的方向及速度、行业总体盈利水平等；财务特征参数例如可以为：已披露碳排放量数据的企业的偿债能力、盈利能力等。
已披露的历史碳排放量数据例如可以为与估算目标同行业或者相近行业的其他企业已披露的碳排放量数据，所述历史碳排放量数据可以分为以下类型：燃料燃烧碳排放量、工业过程碳排放量、逸散源碳排放量和移动源碳排放量；能源消耗产生的间接碳排放量等。
S302、根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量-参数计算模型的候选特征参数数量。
其中，赤池信息准则（Akaike Information Criterion，简称AIC准则）和贝叶斯信息准则（Bayesian information criterion，简称BIC准则）用于确定碳排放量-参数计算模型中候选特征参数的数量，以避免碳排放量-参数计算模型中的参数过多导致模型复杂度过高，从而引起过度拟合的问题。
可以理解的，当碳排放量-参数计算模型的样本数据集中存在多个候选特征参数时，多个候选特征参数容易存在多重共线性的问题，从而影响碳排放量-参数计算模型的准确性，因此需要通过AIC准则和BIC准则对多个候选特征参数进行检验，具体为：计算不同候选特征参数数量下，碳排放量-参数计算模型的AIC值和BIC值，例如当拟合优度R2≥0.95时，将碳排放量-参数计算模型的AIC值和BIC值的最小值所对应的候选特征参数的数量，作为碳排放量-参数计算模型的候选特征参数数量。
该步骤的目的是为了通过控制碳排放量-参数计算模型中候选特征参数的数量，来均衡碳排放量-参数计算模型的复杂度和精确度，以确保碳排放量-参数计算模型在具备良好的拟合优度时，模型的复杂度相对较低。
其中，拟合优度R2例如可以采用以下公式计算得到：
其中，n为候选特征参数的数量，N为样本数量，L为似然函数，为模型拟合的估算值，/>为模型拟合的多个估算值的平均值，/>为模型拟合的实际测试值，/>为模型拟合的多个实际测试值的平均值。
S303、根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量。
其中，对当前样本数据集中的多个候选特征参数进行分类处理，可以按照候选特征参数的类型得到与每个候选特征参数所属类型对应的多个集合，通过该集合可以得到每个候选特征参数类型所对应的数量。
例如，当候选特征参数数量为n时，候选特征参数的类型例如可以为：区域特征参数、行业特征参数和财务特征参数，其中，行业特征参数的数量为n1，区域特征参数的数量为n2，财务特征参数的数量为n3，且n1+n2+n3=n。
S304、根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型。
其中，碳排放量-参数计算模型例如可以为以可拓展的随机性的环境影响评估模型（Stochastic Impacts by Regression on Population,Affluence,andTechnology，简称STIRPAT模型）为基础构建的模型。
碳排放量-参数计算模型例如可以采用以下公式计算得到：
其中，y为样本数据集中某个已披露的历史碳排放量数据；为行业特征参数；/>为区域特征参数；/>为财务特征参数，且n1+n2+n3=n；/>为参数系数；P为碳排放比例常数，Z为误差项。
S305、对所述碳排放量-参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率。
其中，可以通过构建多个候选特征参数的相关系数矩阵，对所属碳排放量-参数计算模型中的多个候选特征参数进行相关性分析，从而得到候选特征参数的累积方差贡献率。
可以理解的，当碳排放量-参数计算模型中采用多个候选特征参数描述样本数据集时，多个线性相关的候选特征参数在表达信息时，表达的信息可能有重叠，存在共线性问题，因此，需要对多个候选特征参数进行相关性分析，得到特征参数的累计方差贡献率，筛选出代表性特征参数。
表1 候选特征参数的相关系数矩阵示意表
如表1所示，表1用于指示多个候选特征参数之间的关联关系，表1中记载有每个候选特征参数与其他候选特征参数之间的相关系数。
S306、对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率。
其中，所述累计方差贡献率为碳排放量-参数计算模型中的多个候选特征参数的方差贡献率之和，累计方差贡献率用于指示其中包括的多个候选特征参数对样本数据集中已披露的碳排放量数据的解释能力，即当前的所有候选特征参数携带原始数据的信息的比例。
累计方差贡献率越大，则说明多个候选特征参数对碳排放量数据的解释能力越强；累计方差贡献率越小，则说明多个候选特征参数对碳排放量数据的解释能力越差。
S307、根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数。
其中，预设贡献率可以是根据经验预设的贡献率，预设贡献率例如可以为99%。
可以理解的，通过筛选特征参数，可以在减少候选特征参数数量的情况下，使得较少数量的特征参数能够最大限度的保留原来的多个候选特征参数所包含的信息量，即对历史碳排放量数据的解释能力。
该步骤的目的为通过对多个候选特征参数进行筛选，降低碳排放量-参数计算模型的复杂度，提高碳排放量-参数计算模型的精确度。
S308、将所述筛选后的候选特征参数作为所述碳排放量-参数计算模型中的特征参数。
其中，将筛选后的候选特征参数作为碳排放量计算模型中的特征参数输入至碳排放量-参数计算模型中，并根据特征参数的类型以及每个特征参数类型对应的特征参数数量构建碳排放量估算的神经网络模型。
本申请实施例提供的碳排放量估算方法，通过获取所述碳排放量-参数计算模型的样本数据集，根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量-参数计算模型的候选特征参数数量，对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，构建碳排放量-参数计算模型，对多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率，对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率，根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数，将所述候选特征参数作为所述碳排放量-参数计算模型中的特征参数，构建碳排放量-参数计算模型，降低碳排放量-参数计算模型的复杂度，提高碳排放量-参数计算模型的精确度。
图4为本申请提供的碳排放量估算装置的结构示意图。如图4所示，本实施例提供的碳排放量估算装置400，包括：
获取模块401，用于获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；
处理模块402，用于将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
可选的，所述装置还包括：确定模块403；
所述处理模块402，还用于构建神经网络模型，并获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；
所述确定模块403，用于根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；
所述处理模块402，还用于将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；
所述处理模块402，还用于对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型。
可选的，所述处理模块402，还用于对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率；
所述处理模块402，还用于根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数；
可选的，所述获取模块401，还用于获取所述估算目标的碳排放量的候选数据集；
所述确定模块403，还用于根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；
所述处理模块402，还用于将所述目标数据作为所述碳排放量的估算数据集。
可选的，所述获取模块401，还用于获取所述碳排放量-参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；
所述处理模块402，还用于根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量-参数计算模型的候选特征参数数量；
所述处理模块402，还用于根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型。
可选的，所述处理模块402，还用于对所述碳排放量-参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率；
所述处理模块402，还用于对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率 ；
所述处理模块402，还用于根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数；
所述处理模块402，还用于将所述候选特征参数作为所述碳排放量-参数计算模型中的特征参数。
可选的，所述获取模块401，还用于获取所述估算目标的碳排放量的候选数据集；
所述处理模块402，还用于根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；
所述处理模块402，还用于将所述目标数据作为所述碳排放量的估算数据集。
图5为本申请提供的碳排放量估算设备的结构示意图。如图5所示，本申请提供一种碳排放量估算设备，该碳排放量估算设备500包括：接收器501、发送器502、处理器503以及存储器504。
接收器501，用于接收指令和数据；
发送器502，用于发送指令和数据；
存储器504，用于存储计算机执行指令；
处理器503，用于执行存储器504存储的计算机执行指令，以实现上述实施例中碳排放量估算方法所执行的各个步骤。具体可以参见前述碳排放量估算方法实施例中的相关描述。
可选地，上述存储器504既可以是独立的，也可以跟处理器503集成在一起。
当存储器504独立设置时，该电子设备还包括总线，用于连接存储器504和处理器503。
本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上述碳排放量估算设备所执行的碳排放量估算方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模组/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模组/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模组或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模组或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
至此，已经结合附图所示的优选实施方式描述了本申请的技术方案，但是，本领域技术人员容易理解的是，本申请的保护范围显然不局限于这些具体实施方式，以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (10)
1.一种碳排放量估算方法，其特征在于，所述方法包括：
获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；
将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述获取碳排放量的估算数据集之前，所述方法还包括：
构建神经网络模型，并获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；
根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；
将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；
对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练之后，所述方法还包括：
对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率；
根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数，所述目标特征参数为所述碳排放量的估算数据集对应的特征参数。
4.根据权利要求3所述的方法，其特征在于，所述获取碳排放量的估算数据集，包括：
获取所述估算目标的碳排放量的候选数据集；
根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；
将所述目标数据作为所述碳排放量的估算数据集。
5.根据权利要求2所述的方法，其特征在于，所述获取碳排放量-参数计算模型输出的参数数量以及参数类型之前，所述方法还包括：
获取所述碳排放量-参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；
根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量-参数计算模型的候选特征参数数量；
根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量-参数计算模型之后，所述方法还包括：
对所述碳排放量-参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率；
对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率；
根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数；
将所述候选特征参数作为所述碳排放量-参数计算模型中的特征参数。
7.一种碳排放量估算装置，其特征在于，所述装置包括：
获取模块，用于获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；
处理模块，用于将所述估算数据集输入至神经网络-时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络-时间序列模型是根据已披露的历史碳排放量训练得到的。
8.根据权利要求7所述的装置，其特征在于，
所述处理模块，还用于构建神经网络模型；
所述获取模块，还用于获取碳排放量-参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；
确定模块，用于根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；
所述处理模块，还用于将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；
所述处理模块，还用于对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络-时间序列模型。
9.一种碳排放量估算设备，其特征在于，包括：
存储器；
处理器；
其中，所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-6中任一项所述的碳排放量估算方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的碳排放量估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311225992.3A CN116992265B (zh) | 2023-09-22 | 2023-09-22 | 碳排放量估算方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311225992.3A CN116992265B (zh) | 2023-09-22 | 2023-09-22 | 碳排放量估算方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992265A true CN116992265A (zh) | 2023-11-03 |
| CN116992265B CN116992265B (zh) | 2024-01-09 |
Family
ID=88530407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311225992.3A Active CN116992265B (zh) | 2023-09-22 | 2023-09-22 | 碳排放量估算方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992265B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830064A (zh) * | 2024-03-06 | 2024-04-05 | 浙电(宁波北仑)智慧能源有限公司 | 碳排放评估方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090138223A1 (en) * | 2005-10-04 | 2009-05-28 | Kim Jong-Wan | On-Line Quality Prediction System for Stainless Steel Slab and the Predicting Method Using It |
| CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
| CN111582608A (zh) * | 2020-05-29 | 2020-08-25 | 华润电力技术研究院有限公司 | 一种飞灰含碳量预测方法、装置、设备及可读存储介质 |
| CN114662780A (zh) * | 2022-04-06 | 2022-06-24 | 国网冀北电力有限公司计量中心 | 碳排放量预测方法、装置、电子设备及存储介质 |
| CN115422747A (zh) * | 2022-09-01 | 2022-12-02 | 北京建筑大学 | 一种机动车尾气污染物排放量的计算方法和计算装置 |
| CN115640900A (zh) * | 2022-10-31 | 2023-01-24 | 扬州大学 | 一种新建道路沥青路面碳排放测算和预测方法及系统 |
| CN115660724A (zh) * | 2022-05-24 | 2023-01-31 | 昆明电力交易中心有限责任公司 | 一种耦合碳价的电价预测方法 |
| CN115994613A (zh) * | 2022-11-10 | 2023-04-21 | 国网安徽省电力有限公司 | 一种基于电碳模型的碳排放监测方法，终端机及存储介质 |
| CN116258376A (zh) * | 2022-12-30 | 2023-06-13 | 华能澜沧江水电股份有限公司 | 基于宏观影响的区域双碳划分方法、系统及可读存储介质 |
| CN116451855A (zh) * | 2023-04-07 | 2023-07-18 | 清云智通(北京)科技有限公司 | 面向工业园区的碳排放量预测方法及相关设备 |
-
2023
- 2023-09-22 CN CN202311225992.3A patent/CN116992265B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090138223A1 (en) * | 2005-10-04 | 2009-05-28 | Kim Jong-Wan | On-Line Quality Prediction System for Stainless Steel Slab and the Predicting Method Using It |
| CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
| CN111582608A (zh) * | 2020-05-29 | 2020-08-25 | 华润电力技术研究院有限公司 | 一种飞灰含碳量预测方法、装置、设备及可读存储介质 |
| CN114662780A (zh) * | 2022-04-06 | 2022-06-24 | 国网冀北电力有限公司计量中心 | 碳排放量预测方法、装置、电子设备及存储介质 |
| CN115660724A (zh) * | 2022-05-24 | 2023-01-31 | 昆明电力交易中心有限责任公司 | 一种耦合碳价的电价预测方法 |
| CN115422747A (zh) * | 2022-09-01 | 2022-12-02 | 北京建筑大学 | 一种机动车尾气污染物排放量的计算方法和计算装置 |
| CN115640900A (zh) * | 2022-10-31 | 2023-01-24 | 扬州大学 | 一种新建道路沥青路面碳排放测算和预测方法及系统 |
| CN115994613A (zh) * | 2022-11-10 | 2023-04-21 | 国网安徽省电力有限公司 | 一种基于电碳模型的碳排放监测方法，终端机及存储介质 |
| CN116258376A (zh) * | 2022-12-30 | 2023-06-13 | 华能澜沧江水电股份有限公司 | 基于宏观影响的区域双碳划分方法、系统及可读存储介质 |
| CN116451855A (zh) * | 2023-04-07 | 2023-07-18 | 清云智通(北京)科技有限公司 | 面向工业园区的碳排放量预测方法及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| JIAXU LI 等: "Research on Power Carbon Emission Prediction Model Based on PSO- BP Model", 《2022 INTERNATIONAL CONFERENCE ON BIG DATA, INFORMATION AND COMPUTER NETWORK (BDICN)》, pages 270 - 275 * |
| 朱琎琦 等: "基于改良BP神经网络的生物质锅炉飞灰含碳量预测模型研究", 《可再生能源》, pages 150 - 157 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830064A (zh) * | 2024-03-06 | 2024-04-05 | 浙电(宁波北仑)智慧能源有限公司 | 碳排放评估方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992265B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10387900B2 (en) | Methods and apparatus for self-adaptive time series forecasting engine | |
| Aiolfi et al. | Model uncertainty, thick modelling and the predictability of stock returns | |
| Chaudhury | A review of the key issues in operational risk capital modeling | |
| KR101396109B1 (ko) | 마케팅 모델 결정 시스템 | |
| CN108345958A (zh) | 一种订单出餐时间预测模型构建、预测方法、模型和装置 | |
| CN116992265B (zh) | 碳排放量估算方法、装置、设备和存储介质 | |
| JP2003316950A (ja) | 信用評価システム及び信用評価方法 | |
| CN112541817A (zh) | 一种个人消费贷款潜在客户的营销响应处理方法及系统 | |
| CN102254277A (zh) | 一种用于房地产估值的数据处理系统与方法 | |
| US10178241B2 (en) | Telecommunication price-based routing apparatus, system and method | |
| Ye et al. | Funding the present and the future: Drivers of NPO's financial sustainability | |
| CN117237126B (zh) | 一种保险平台及保险数据处理方法 | |
| CN113065969A (zh) | 企业评分模型构建方法、企业评分方法、介质和电子设备 | |
| CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
| CN111626855A (zh) | 债券信用利差预测方法及系统 | |
| CN112884301A (zh) | 企业风险分析的方法、设备及计算机存储介质 | |
| CN116051138A (zh) | 用于对数字资产估价的方法 | |
| CN112418534B (zh) | 揽件量预测方法及装置、电子设备、计算机可读存储介质 | |
| CN114862291A (zh) | 一种数据资产价值评估系统及方法及装置及介质 | |
| CN114677006A (zh) | 一种企业健康度预判的方法、系统、设备及可读介质 | |
| CN112669093A (zh) | 海洋经济预测方法、系统、电子设备及存储介质 | |
| CN114549032A (zh) | 备货处理方法及装置、计算机存储介质、电子设备 | |
| CN112785113A (zh) | 一种基于改进灰色模型的上市公司价值评估方法及系统 | |
| CN110020374A (zh) | 一种发布信息的转发量预测方法和装置 | |
| CN118297736A (zh) | 资金信息的处理方法及装置、存储介质和电子设备 |
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 |