CN117391258B - 一种负碳排放的预测方法、装置、设备及存储介质 - Google Patents
一种负碳排放的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117391258B CN117391258B CN202311674557.9A CN202311674557A CN117391258B CN 117391258 B CN117391258 B CN 117391258B CN 202311674557 A CN202311674557 A CN 202311674557A CN 117391258 B CN117391258 B CN 117391258B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- index
- target
- index data
- negative
- 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 507
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 507
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 196
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000013210 evaluation model Methods 0.000 claims abstract description 23
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 139
- 230000006870 function Effects 0.000 claims description 22
- 239000005431 greenhouse gas Substances 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013433 optimization analysis Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 239000002131 composite material Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及负碳排放领域，公开了一种负碳排放的预测方法、装置、设备及存储介质，用于提高负碳排放的预测准确率。方法包括：根据负碳排放指标体系对多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；通过熵权评价模型创建多个第一负碳排放指标数据对应的基准标签集；将负碳排放指标数据序列输入优选模型进行指标优选分析，得到初始优选指标数据集；对初始优选指标数据集和基准标签集进行评估精度计算，得到目标评估精度，并根据目标评估精度对初始优选指标数据集进行优选指标数据优化，得到多个第二负碳排放指标数据；将多个第二负碳排放指标数据输入负碳排放预测模型进行负碳排放预测，得到负碳排放预测数据。
Description
技术领域
本发明涉及负碳排放领域，尤其涉及一种负碳排放的预测方法、装置、设备及存储介质。
背景技术
全球气候变化是当今世界面临的重大挑战之一。温室气体的排放导致地球气温升高，气候极端事件增多，对生态系统和社会经济造成严重影响。因此，减少温室气体排放，特别是碳排放，成为全球关注的焦点。负碳排放表示某一地区或活动在一定时间内吸收的碳量超过排放，有助于减少大气中的温室气体浓度。负碳排放被视为减缓气候变化的重要手段之一。
但是现有方案主要关注温室气体排放和森林碳储量等因素的监测和建模，但负碳排放是一个复杂的系统，受多个指标和因素的影响。因此，需要一种综合考虑多个负碳排放指标的方法，以提高预测的准确性和可信度。
发明内容
本发明提供了一种负碳排放的预测方法、装置、设备及存储介质，用于提高负碳排放的预测准确率。
本发明第一方面提供了一种负碳排放的预测方法，所述负碳排放的预测方法包括：
获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；
通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集；
将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集；
对所述初始优选指标数据集和所述基准标签集进行评估精度计算，得到目标评估精度，并根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；
将所述多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到所述目标区域的负碳排放预测数据。
结合第一方面，在本发明第一方面的第一种实现方式中，所述获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列，包括：
获取目标区域的多个第一负碳排放指标数据，其中，所述多个第一负碳排放指标数据包括：目标区域的森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及目标区域的气象数据；
获取预置的负碳排放指标体系，其中，所述负碳排放指标体系包括：指标与目标关系、指标与因素关系以及指标与指标关系，所述指标与目标关系为每个指标与负碳排放目标之间的关系，所述指标与因素关系为识别每个指标与负碳排放影响因素之间的关系，所述指标与指标关系为不同指标之间的正负相关性；
根据所述负碳排放指标体系中的指标与目标关系，计算每个第一负碳排放指标数据的第一评价分数A1，并根据所述指标与因素关系，计算每个第一负碳排放指标数据的第二评价分数A2，以及根据所述指标与目标关系，计算每个第一负碳排放指标数据的第三评价分数A3；
对所述第一评价分数A1、所述第二评价分数A2以及所述第三评价分数A3进行求和运算，得到每个第一负碳排放指标数据的目标评价分数Am；
根据所述目标评价分数Am，对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列。
结合第一方面，在本发明第一方面的第二种实现方式中，所述通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集，包括：
获取所述目标区域的多个负碳排放评价对象，并根据所述多个负碳排放评价对象和所述多个第一负碳排放指标数据生成对应的目标数据矩阵；
通过熵权评价模型，根据所述目标数据矩阵分别计算每个负碳排放评价对象的正理想解和负理想解；
根据所述正理想解和所述负理想解，分别计算每个负碳排放评价对象的综合得分F；
采用自然断点法，对所述综合得分F进行聚类分析，得到所述多个负碳排放评价对象对应的多个聚类簇；
对所述多个聚类簇进行标签定义，得到多个簇标签，并对所述多个簇标签和所述多个负碳排放评价对象进行关联，生成对应的基准标签集。
结合第一方面，在本发明第一方面的第三种实现方式中，所述将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集，包括：
对所述目标评价分数Am与第一评价分数阈值D1和第二评价分数阈值D2进行比较，其中，第一评价分数阈值D1＜第二评价分数阈值D2；
若目标评价分数Am＜第一评价分数阈值D1，则将对应的第一负碳排放指标数据划分至第一负碳排放指标群体，若第一评价分数阈值D1＜目标评价分数Am＜第二评价分数阈值D2，则将对应的第一负碳排放指标数据划分至第二负碳排放指标群体，若第二评价分数阈值D2＜目标评价分数Am，则将对应的第一负碳排放指标数据划分至第三负碳排放指标群体；
对所述第一负碳排放指标群体和所述第二负碳排放指标群体进行繁殖、交叉和变异，并对所述第三负碳排放指标群体进行交叉和变异，得到多个候选指标数据集；
对所述多个候选指标数据集进行最优化分析，得到初始优选指标数据集。
结合第一方面，在本发明第一方面的第四种实现方式中，所述对所述初始优选指标数据集和所述基准标签集进行评估精度计算，得到目标评估精度，并根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据，包括：
对所述初始优选指标数据集进行向量转换，得到第一指标向量，并对所述基准标签集进行向量转换，得到第二指标向量；
对所述第一指标向量和所述第二指标向量进行欧式距离计算，得到目标欧式距离数据，并将所述目标欧式距离数据作为对应的目标评估精度；
根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据。
结合第一方面，在本发明第一方面的第五种实现方式中，所述将所述多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到所述目标区域的负碳排放预测数据，包括：
对所述多个第二负碳排放指标数据进行特征归一化和向量映射，得到目标负碳排放特征向量；
将所述目标负碳排放特征向量输入预置的负碳排放预测模型，其中，所述负碳排放预测模型包括：双向门限循环网络以及两层全连接层；
通过所述负碳排放预测模型对所述目标负碳排放特征向量进行负碳排放预测，得到所述目标区域的负碳排放预测数据。
结合第一方面，在本发明第一方面的第六种实现方式中，所述通过所述负碳排放预测模型对所述目标负碳排放特征向量进行负碳排放预测，得到所述目标区域的负碳排放预测数据，包括：
通过所述双向门限循环网络中的第一层门限循环单元，对所述目标负碳排放特征向量进行隐藏特征提取，得到前向隐藏特征向量；
通过所述双向门限循环网络中的第二层门限循环单元，对所述目标负碳排放特征向量进行隐藏特征提取，得到后向隐藏特征向量；
对所述前向隐藏特征向量和所述后向隐藏特征向量进行向量融合，得到目标隐藏特征向量；
将所述目标隐藏特征向量输入所述两层全连接层进行负碳排放预测，得到所述目标区域的负碳排放预测数据，其中，所述两层全连接层中的第一层全连接层采用ReLU函数，第二层全连接层采用sigmoid函数。
本发明第二方面提供了一种负碳排放的预测装置，所述负碳排放的预测装置包括：
获取模块，用于获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；
创建模块，用于通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集；
分析模块，用于将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集；
优化模块，用于对所述初始优选指标数据集和所述基准标签集进行评估精度计算，得到目标评估精度，并根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；
预测模块，用于将所述多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到所述目标区域的负碳排放预测数据。
本发明第三方面提供了一种负碳排放的预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述负碳排放的预测设备执行上述的负碳排放的预测方法。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的负碳排放的预测方法。
本发明提供的技术方案中，根据负碳排放指标体系对多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；通过熵权评价模型创建多个第一负碳排放指标数据对应的基准标签集；将负碳排放指标数据序列输入优选模型进行指标优选分析，得到初始优选指标数据集；对初始优选指标数据集和基准标签集进行评估精度计算，得到目标评估精度，并根据目标评估精度对初始优选指标数据集进行优选指标数据优化，得到多个第二负碳排放指标数据；将多个第二负碳排放指标数据输入负碳排放预测模型进行负碳排放预测，得到负碳排放预测数据，本发明采用多个第一负碳排放指标数据，综合考虑了森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及气象数据多个因素，使得负碳排放的预测更加全面和准确。引入熵权评价模型有助于确定不同指标的权重，根据其对负碳排放的影响程度，这可以提高负碳排放预测的准确性。同时，使用熵权评价模型可以自动化地为每个指标分配权重，减少了主观干扰。通过遗传算法，可以对初始优选指标数据集进行优化，以选择最相关和最具信息量的指标。这有助于提高预测模型的性能，减少了数据集的复杂性。创建基准标签集有助于标记和分类不同的负碳排放评价对象，从而更好地理解和评估预测结果的准确性。使用了预置的负碳排放指标体系和负碳排放预测模型，这使得方法在不同环境和需求下具有高度可配置性和可适应性，进而提高了负碳排放的预测准确率。
附图说明
图1为本发明实施例中负碳排放的预测方法的一个实施例示意图；
图2为本发明实施例中创建基准标签集的流程图；
图3为本发明实施例中指标优选分析的流程图；
图4为本发明实施例中优选指标数据优化的流程图；
图5为本发明实施例中负碳排放的预测装置的一个实施例示意图；
图6为本发明实施例中负碳排放的预测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种负碳排放的预测方法、装置、设备及存储介质，用于提高负碳排放的预测准确率。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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中负碳排放的预测方法的一个实施例包括：
S101、获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；
可以理解的是，本发明的执行主体可以为负碳排放的预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器收集目标区域的多个第一负碳排放指标数据，这些数据包括森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及目标区域的气象数据。这些指标数据提供了关于负碳排放的关键信息，从而有助于预测和评估负碳排放的情况。同时，为了更好地理解这些指标的影响，需要获取预置的负碳排放指标体系。这个指标体系包括了三个关键方面：指标与目标关系、指标与因素关系以及指标与指标关系。指标与目标关系用于确定每个指标与负碳排放目标之间的关系，即哪些指标对负碳排放的增加或减少具有更大的影响。指标与因素关系有助于识别每个指标与负碳排放影响因素之间的关系，这有助于理解为什么某些指标在负碳排放中扮演更重要的角色。指标与指标关系则用于描述不同指标之间的正负相关性，从而帮助服务器理解指标之间的相互影响。基于这些信息，接下来是计算评价分数的过程。这个过程包括三个关键步骤，分别是计算第一评价分数A1、第二评价分数A2和第三评价分数A3。第一评价分数A1是基于指标与目标关系计算的，它用于衡量每个指标对负碳排放目标的影响程度。第二评价分数A2是基于指标与因素关系计算的，用于识别每个指标与负碳排放影响因素之间的关系。第三评价分数A3则是基于指标与指标关系计算的，用于衡量不同指标之间的正负相关性。这三个评价分数的计算帮助服务器理解每个指标在负碳排放预测中的贡献和相互关系。将这些评价分数整合起来，通过对第一评价分数A1、第二评价分数A2和第三评价分数A3进行求和运算，得到每个第一负碳排放指标数据的目标评价分数Am。这个目标评价分数反映了该指标在整体负碳排放预测中的相对重要性。这有助于服务器确定哪些指标对于负碳排放预测具有更高的重要性，哪些具有更低的重要性。根据目标评价分数Am对多个第一负碳排放指标数据进行指标排序，从而得到负碳排放指标数据序列。这个序列告诉服务器哪些指标对于负碳排放预测最为关键，哪些相对较次要。通过这一步骤，服务器能够更精确地评估目标区域的负碳排放情况，并采取相应的措施来减少或增加负碳排放，以实现更可持续的生态平衡和环境保护。
S102、通过熵权评价模型创建多个第一负碳排放指标数据对应的基准标签集；
具体的，服务器首先获取目标区域的多个负碳排放评价对象，这些对象可以是不同的生态系统、森林、目标区域或其他负碳排放相关的实体。同时，还需要获取第一负碳排放指标数据，包括森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及目标区域的气象数据。这些数据将构成后续分析的基础。将所获取的负碳排放评价对象和第一负碳排放指标数据组合，生成对应的目标数据矩阵。这个矩阵将包括不同评价对象在各个指标下的数值数据，形成一个多维数据矩阵，其中每行代表一个评价对象，每列代表一个指标。熵权评价模型是一种用于多指标决策的方法，它可以帮助确定每个指标的权重。针对目标数据矩阵，计算每个指标的正理想解和负理想解。正理想解是在每个指标中取最大值的情况下的理想状态，而负理想解则是在每个指标中取最小值的情况下的理想状态。这两个解反映了最优和最劣条件下的情况。根据正理想解和负理想解，可以计算每个负碳排放评价对象的综合得分F。综合得分F反映了每个对象在多个指标下的表现与理想状态之间的距离，这有助于量化评价对象的综合性能。为了更好地理解和分类负碳排放评价对象，可以采用自然断点法进行聚类分析。自然断点法可以根据综合得分F的分布情况，将评价对象划分为不同的聚类簇。这些簇将反映出不同综合得分水平下的评价对象群体。对于每个聚类簇，可以进行标签定义，将其描述为某种类型的负碳排放评价对象，例如“高负碳排放区域”或“低负碳排放区域”。这些簇标签将根据聚类分析的结果生成，同时也可以与原始的负碳排放评价对象进行关联，构建基准标签集。例如，假设服务器考虑对某地区的不同森林区域进行负碳排放评估。服务器首先收集了多个森林区域的第一负碳排放指标数据，包括森林覆盖面积、碳储量、温室气体排放量等。服务器创建了目标数据矩阵，其中每一行代表一个森林区域，每一列代表一个指标。使用熵权评价模型，服务器计算了每个指标的正理想解和负理想解。服务器计算了每个森林区域的综合得分F，并通过自然断点法将这些区域划分为不同的聚类簇。服务器定义了每个聚类簇的标签，例如“高碳存储区域”或“低温室气体排放区域”，并将这些标签与森林区域关联，生成了基准标签集，用于负碳排放的进一步预测和评估。这个基准标签集有助于更好地理解和管理负碳排放相关的区域。
S103、将负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集；
需要说明的是，服务器将目标评价分数Am与两个阈值进行比较，第一评价分数阈值D1和第二评价分数阈值D2。确保D1小于D2，这是划分负碳排放指标群体的前提条件。若目标评价分数Am小于第一评价分数阈值D1，则将对应的第一负碳排放指标数据划分至第一负碳排放指标群体；若第一评价分数阈值D1小于目标评价分数Am小于第二评价分数阈值D2，则将对应的第一负碳排放指标数据划分至第二负碳排放指标群体；若目标评价分数Am大于等于第二评价分数阈值D2，则将对应的第一负碳排放指标数据划分至第三负碳排放指标群体。对第一负碳排放指标群体和第二负碳排放指标群体进行繁殖、交叉和变异操作，以生成多个候选指标数据集。繁殖（Reproduction）：选择第一负碳排放指标群体和第二负碳排放指标群体中的一部分指标数据，并将它们复制到新的候选指标数据集中。这有助于保留一些优秀的指标数据。交叉（Crossover）：从第一负碳排放指标群体和第二负碳排放指标群体中选择两个或多个指标数据，然后交叉它们的信息，生成新的候选指标数据。这可以引入新的组合和特性。变异（Mutation）：对已有的指标数据进行微小的变异，以引入随机性和多样性。这有助于搜索更广泛的指标组合。对生成的多个候选指标数据集进行最优化分析。这可以包括使用优化算法（如遗传算法、模拟退火等）来评估每个候选指标数据集的性能，以找到最佳的指标组合，以最大程度地提高负碳排放的预测准确性。例如，假设服务器正在考虑对不同目标区域的碳排放进行预测。服务器计算了每个目标区域的目标评价分数Am，然后将它们与第一评价分数阈值D1和第二评价分数阈值D2进行比较。目标区域A的评价分数低于D1，所以它被划分至第一负碳排放指标群体。目标区域B的评价分数介于D1和D2之间，所以它被划分至第二负碳排放指标群体。目标区域C的评价分数高于D2，所以它被划分至第三负碳排放指标群体。服务器对第一负碳排放指标群体和第二负碳排放指标群体进行繁殖、交叉和变异操作，生成多个候选指标数据集。例如，服务器从目标区域A和目标区域B的指标中选择一部分，并与其他目标区域的指标进行交叉，以生成新的指标组合。使用优化算法来评估这些候选指标数据集，以找到最佳的指标组合，以提高负碳排放的预测准确性。这个最佳的指标组合可以用于进一步的负碳排放预测和分析。
S104、对初始优选指标数据集和基准标签集进行评估精度计算，得到目标评估精度，并根据目标评估精度对初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，目标优选指标数据集包括多个第二负碳排放指标数据；
具体的，服务器将初始优选指标数据集和基准标签集转换为向量形式，以便进行后续的欧式距离计算。这可以通过将每个指标数据作为向量中的一个分量来实现。例如，如果初始优选指标数据集包含了森林覆盖面积、温室气体排放量和土壤有机碳含量等三个指标，那么可以将它们转换为一个三维向量。同时，将基准标签集中的标签也进行向量转换，以得到第二指标向量。这可以是一个包含与每个评价对象相关的标签的向量。使用欧式距离计算方法来度量第一指标向量和第二指标向量之间的距离。欧式距离是向量之间的常用距离度量方法，通常用于衡量它们之间的相似性或差异性。计算每个初始优选指标数据集对应的第一指标向量与基准标签集对应的第二指标向量之间的欧式距离。这些欧式距离将用作对应的目标评估精度。根据计算得到的目标评估精度，对初始优选指标数据集进行优化。优选的目标是使得欧式距离最小化或评估精度最大化，以便找到与负碳排放目标最相关的指标数据。优化可以采用不同的方法，包括搜索算法、优化算法或机器学习模型。根据目标函数的定义，这些方法将调整初始优选指标数据集，以获得目标优选指标数据集，其中包括多个第二负碳排放指标数据。例如，假设服务器有一个初始优选指标数据集，其中包括森林覆盖面积、温室气体排放量和土壤有机碳含量等三个指标。同时，服务器有一个基准标签集，包含了与不同地区的负碳排放相关的标签。服务器将这些指标数据和标签转换为向量形式。服务器计算每个初始优选指标数据集的第一指标向量与基准标签集的第二指标向量之间的欧式距离，得到目标欧式距离数据。服务器使用优化算法（例如，遗传算法或梯度下降）来调整初始优选指标数据集，以最小化欧式距离或最大化评估精度。服务器得到了目标优选指标数据集，其中包括多个第二负碳排放指标数据，这些指标对于负碳排放的预测具有更高的相关性，从而提高了预测的准确性。
S105、将多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到目标区域的负碳排放预测数据。
具体的，服务器对多个第二负碳排放指标数据进行特征归一化。特征归一化是将不同特征的数据范围缩放到相同的尺度，以确保它们对模型的影响权重相等。例如，计算每个特征的均值（mean）和标准差（standard deviation）；对每个特征的数据进行标准化，即将每个数据点减去均值，然后除以标准差。这将产生一个特征归一化后的数据集，其中所有特征都具有相似的尺度。需要将特征归一化后的多个第二负碳排放指标数据转换为目标负碳排放特征向量。这可以通过简单地将所有归一化后的特征数据连接成一个向量来实现。例如，如果有三个特征（特征1、特征2和特征3），它们分别归一化为向量x1，x2，x3，则目标负碳排放特征向量可以表示为向量X=[x1，x2，x3]。接着，将目标负碳排放特征向量输入到预置的负碳排放预测模型中进行负碳排放预测。负碳排放预测模型包括双向门限循环网络以及两层全连接层，这是一种深度学习模型，通常用于序列数据或向量数据的建模和预测。在负碳排放预测模型中，目标负碳排放特征向量将被传递并经过一系列神经网络层进行处理。这些层将学习如何从输入特征中提取有关负碳排放的相关信息，并生成负碳排放预测结果。例如，假设服务器有一个目标区域的负碳排放预测任务，其中需要预测未来十年的负碳排放情况。服务器收集了多个第二负碳排放指标数据，包括过去十年的温室气体排放量、森林覆盖面积、土壤有机碳含量等。服务器对这些指标数据进行特征归一化，确保它们在相同的尺度上。将这些归一化后的特征数据连接成一个目标负碳排放特征向量。例如，如果服务器有三个特征，那么目标特征向量如下所示：X=[0.2，0.8，0.5]。将这个特征向量输入到预置的负碳排放预测模型中，这个模型可以是一个双向门限循环网络和两层全连接层的深度学习模型。模型将学习如何从这些特征中提取信息，并生成负碳排放预测数据。
其中，通过双向门限循环网络中的第一层门限循环单元对目标负碳排放特征向量进行前向隐藏特征提取。门限循环单元是一种神经网络单元，用于从序列数据中提取有关特征和模式的信息。前向隐藏特征提取是通过传递数据向前处理序列数据以捕获其上下文信息。通过双向门限循环网络中的第二层门限循环单元对目标负碳排放特征向量进行后向隐藏特征提取。与前向隐藏特征提取类似，后向隐藏特征提取是通过传递数据进行处理，但这次是向后处理序列数据。一旦获得前向和后向隐藏特征向量，需要将它们融合成一个目标隐藏特征向量。这个融合可以采用多种方法，如简单地将两个向量连接在一起，或者通过加权平均它们来融合。目标是将前向和后向信息整合在一起，以更好地表示负碳排放预测任务的关键特征。将目标隐藏特征向量输入到两层全连接层进行负碳排放预测。这两层全连接层分别包括第一层全连接层和第二层全连接层，每一层都具有不同的激活函数。第一层全连接层采用ReLU（Rectified Linear Unit）函数作为激活函数。这将引入非线性性，允许网络学习更复杂的模式和特征。第二层全连接层采用sigmoid函数作为激活函数。sigmoid函数通常用于二元分类任务，将输出值映射到0到1之间的范围，适用于负碳排放的预测问题。这两层全连接层将学习如何从目标隐藏特征向量中提取负碳排放预测所需的信息，并生成最终的负碳排放预测数据。例如，假设服务器有一个负碳排放预测任务，服务器根据过去十年的气象数据、生态系统中的碳储量、和土壤有机碳含量来预测未来十年的负碳排放情况。服务器将这些数据构建成目标负碳排放特征向量，然后通过双向门限循环网络进行前向和后向隐藏特征提取。前向隐藏特征提取将学习如何从过去的气象数据和生态系统中的碳储量中提取有关负碳排放的信息。后向隐藏特征提取则会学习如何从土壤有机碳含量中提取相关信息。这两个隐藏特征向量将被融合在一起，以生成一个包含了所有关键信息的目标隐藏特征向量。将目标隐藏特征向量输入到两层全连接层进行负碳排放预测。第一层全连接层将应用ReLU函数来提取更多的特征信息，而第二层全连接层将采用sigmoid函数来生成最终的负碳排放预测结果。
本发明实施例中，根据负碳排放指标体系对多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；通过熵权评价模型创建多个第一负碳排放指标数据对应的基准标签集；将负碳排放指标数据序列输入优选模型进行指标优选分析，得到初始优选指标数据集；对初始优选指标数据集和基准标签集进行评估精度计算，得到目标评估精度，并根据目标评估精度对初始优选指标数据集进行优选指标数据优化，得到多个第二负碳排放指标数据；将多个第二负碳排放指标数据输入负碳排放预测模型进行负碳排放预测，得到负碳排放预测数据，本发明采用多个第一负碳排放指标数据，综合考虑了森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及气象数据多个因素，使得负碳排放的预测更加全面和准确。引入熵权评价模型有助于确定不同指标的权重，根据其对负碳排放的影响程度，这可以提高负碳排放预测的准确性。同时，使用熵权评价模型可以自动化地为每个指标分配权重，减少了主观干扰。通过遗传算法，可以对初始优选指标数据集进行优化，以选择最相关和最具信息量的指标。这有助于提高预测模型的性能，减少了数据集的复杂性。创建基准标签集有助于标记和分类不同的负碳排放评价对象，从而更好地理解和评估预测结果的准确性。使用了预置的负碳排放指标体系和负碳排放预测模型，这使得方法在不同环境和需求下具有高度可配置性和可适应性，进而提高了负碳排放的预测准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标区域的多个第一负碳排放指标数据，其中，多个第一负碳排放指标数据包括：目标区域的森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及目标区域的气象数据；
（2）获取预置的负碳排放指标体系，其中，负碳排放指标体系包括：指标与目标关系、指标与因素关系以及指标与指标关系，指标与目标关系为每个指标与负碳排放目标之间的关系，指标与因素关系为识别每个指标与负碳排放影响因素之间的关系，指标与指标关系为不同指标之间的正负相关性；
（3）根据负碳排放指标体系中的指标与目标关系，计算每个第一负碳排放指标数据的第一评价分数A1，并根据指标与因素关系，计算每个第一负碳排放指标数据的第二评价分数A2，以及根据指标与目标关系，计算每个第一负碳排放指标数据的第三评价分数A3；
（4）对第一评价分数A1、第二评价分数A2以及第三评价分数A3进行求和运算，得到每个第一负碳排放指标数据的目标评价分数Am；
（5）根据目标评价分数Am，对多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列。
具体的，服务器首先获取目标区域的多个第一负碳排放指标数据，这些指标数据包括森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及目标区域的气象数据。这些数据提供了有关目标区域生态系统和气象条件的关键信息。服务器获取预置的负碳排放指标体系，这个体系包括三个关键方面的指标关系。首先是指标与目标关系，它描述了每个指标与负碳排放目标之间的联系。其次是指标与因素关系，用于识别每个指标与负碳排放影响因素之间的关联。最后是指标与指标关系，用于分析不同指标之间的正负相关性。根据负碳排放指标体系中的指标与目标关系，服务器计算每个第一负碳排放指标数据的第一评价分数（A1）。这个分数反映了每个指标对于实现负碳排放目标的重要性。接着，根据指标与因素关系，服务器计算每个指标的第二评价分数（A2），以识别其与负碳排放影响因素之间的联系。根据指标与目标关系，计算每个指标的第三评价分数（A3），用于衡量不同指标之间的正负相关性。这三个评价分数（A1、A2和A3）之后进行求和运算，得到每个第一负碳排放指标数据的目标评价分数（Am）。这个目标评价分数代表了每个指标在整体负碳排放预测中的相对重要性，它的计算基于负碳排放指标体系的详细关系模型。根据目标评价分数（Am），对多个第一负碳排放指标数据进行指标排序。这个排序过程确定了哪些指标对于负碳排放预测具有更高的重要性，哪些具有较低的重要性。通过这种方式，服务器优化负碳排放预测模型，提高其准确性和可信度，从而更好地理解和管理目标区域的负碳排放情况。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、获取目标区域的多个负碳排放评价对象，并根据多个负碳排放评价对象和多个第一负碳排放指标数据生成对应的目标数据矩阵；
S202、通过熵权评价模型，根据目标数据矩阵分别计算每个负碳排放评价对象的正理想解和负理想解；
S203、根据正理想解和负理想解，分别计算每个负碳排放评价对象的综合得分F；
S204、采用自然断点法，对综合得分F进行聚类分析，得到多个负碳排放评价对象对应的多个聚类簇；
S205、对多个聚类簇进行标签定义，得到多个簇标签，并对多个簇标签和多个负碳排放评价对象进行关联，生成对应的基准标签集。
具体的，服务器需要获取目标区域的多个负碳排放评价对象。这些评价对象可以是不同的地理区域、生态系统或其他需要进行负碳排放评估的实体。每个评价对象代表一个独立的实体或区域，其负碳排放情况需要进行评估。根据多个负碳排放评价对象和多个第一负碳排放指标数据，生成对应的目标数据矩阵。这个矩阵将评价对象作为行，第一负碳排放指标作为列，用于存储各个评价对象的负碳排放指标数据。使用熵权评价模型，对目标数据矩阵进行处理。通过该模型，可以分别计算每个负碳排放评价对象的正理想解和负理想解。正理想解是指在每个指标上取得最佳值时的情况，而负理想解则是在每个指标上取得最差值时的情况。基于正理想解和负理想解的计算，可以得到每个负碳排放评价对象的综合得分（F）。这个综合得分代表了每个评价对象在不同指标下的综合表现，可以帮助识别哪些对象在负碳排放方面表现良好，哪些表现不佳。采用自然断点法对综合得分（F）进行聚类分析。这个步骤有助于将评价对象分成多个聚类簇，每个簇内的对象在负碳排放方面具有相似的特征。聚类分析有助于识别潜在的负碳排放模式和区分不同的评价对象群体。对多个聚类簇进行标签定义，生成多个簇标签。这些标签可以根据每个簇内对象的特征和负碳排放表现来定义，帮助理解不同簇的特点。将这些簇标签与多个负碳排放评价对象关联，生成对应的基准标签集。这个基准标签集可以用于后续的分析和决策，帮助区分不同负碳排放对象群体的性质和表现。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对目标评价分数Am与第一评价分数阈值D1和第二评价分数阈值D2进行比较，其中，第一评价分数阈值D1＜第二评价分数阈值D2；
S302、若目标评价分数Am＜第一评价分数阈值D1，则将对应的第一负碳排放指标数据划分至第一负碳排放指标群体，若第一评价分数阈值D1＜目标评价分数Am＜第二评价分数阈值D2，则将对应的第一负碳排放指标数据划分至第二负碳排放指标群体，若第二评价分数阈值D2＜目标评价分数Am，则将对应的第一负碳排放指标数据划分至第三负碳排放指标群体；
S303、对第一负碳排放指标群体和第二负碳排放指标群体进行繁殖、交叉和变异，并对第三负碳排放指标群体进行交叉和变异，得到多个候选指标数据集；
S304、对多个候选指标数据集进行最优化分析，得到初始优选指标数据集。
具体的，服务器根据所得的目标评价分数Am与预先设定的第一评价分数阈值D1和第二评价分数阈值D2进行比较。确保D1小于D2，以便划分不同的负碳排放指标群体。如果目标评价分数Am小于第一评价分数阈值D1，那么将对应的第一负碳排放指标数据划分至第一负碳排放指标群体；如果第一评价分数阈值D1小于目标评价分数Am，并且目标评价分数Am小于第二评价分数阈值D2，那么将对应的第一负碳排放指标数据划分至第二负碳排放指标群体；如果目标评价分数Am大于第二评价分数阈值D2，那么将对应的第一负碳排放指标数据划分至第三负碳排放指标群体。有三个不同的负碳排放指标群体：第一、第二和第三。对第一和第二负碳排放指标群体进行繁殖、交叉和变异操作，以生成多个候选指标数据集。繁殖：从每个指标群体中选择一些最优秀的个体，复制它们来构建新的个体；交叉：将两个不同个体的特征组合，产生新的个体；变异：对个体的某些特征进行微小的随机变化，以增加多样性。这些操作可以多次迭代，生成多个候选指标数据集，每个都包含了经过优化的负碳排放指标数据。对这些候选指标数据集进行最优化分析，以确定哪个数据集最适合负碳排放预测模型。这可以采用不同的评价标准和算法来完成，以找到最佳的一组指标数据，以提高负碳排放预测的准确性和可靠性。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对初始优选指标数据集进行向量转换，得到第一指标向量，并对基准标签集进行向量转换，得到第二指标向量；
S402、对第一指标向量和第二指标向量进行欧式距离计算，得到目标欧式距离数据，并将目标欧式距离数据作为对应的目标评估精度；
S403、根据目标评估精度对初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，目标优选指标数据集包括多个第二负碳排放指标数据。
具体的，服务器对初始优选指标数据集进行向量转换。将每个指标数据转换为一个向量中的一个分量。这可以通过简单地将每个指标数据放入向量中的相应位置来完成，或者使用更复杂的方法，如标准化或归一化，以确保不同指标具有相似的尺度。同时，对基准标签集也进行向量转换。这些标签可以代表负碳排放目标或其他相关信息。将标签转换为向量，以便可以与指标数据进行比较和分析。通过欧式距离计算来评估每个初始优选指标数据集的质量。欧式距离是一种常用的距离度量方法，用于衡量两个向量之间的相似性或差异性。对于每个初始优选指标数据集，计算其与基准标签集之间的欧式距离。这将生成目标欧式距离数据，其中每个值代表一个数据集与标签集之间的距离。目标欧式距离数据可以作为对应的目标评估精度。距离越小，表示数据集与标签集越接近，精度越高；距离越大，表示数据集与标签集差异较大，精度较低。根据目标评估精度，对初始优选指标数据集进行优化。这可以采用不同的算法和策略，以选择或调整指标数据，以便获得更高的评估精度。例如，可以使用进化算法、遗传算法或其他优化方法来搜索最佳的指标组合。目标优选指标数据集将包括多个第二负碳排放指标数据，这些数据已经被精心选择或调整，以在负碳排放预测中提供更好的性能。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）对多个第二负碳排放指标数据进行特征归一化和向量映射，得到目标负碳排放特征向量；
（2）将目标负碳排放特征向量输入预置的负碳排放预测模型，其中，负碳排放预测模型包括：双向门限循环网络以及两层全连接层；
（3）通过负碳排放预测模型对目标负碳排放特征向量进行负碳排放预测，得到目标区域的负碳排放预测数据。
具体的，对多个第二负碳排放指标数据进行特征归一化和向量映射。这是为了确保所有特征都具有相似的尺度和分布，以便更好地输入负碳排放预测模型。特征归一化可以采用不同的方法，例如将数据缩放到0到1的范围内，或者使用标准化方法，使数据具有零均值和单位方差。这确保了各个特征之间的权重不会受到尺度差异的干扰。将经过特征处理的数据用于负碳排放预测。使用了一个预置的负碳排放预测模型，该模型包括双向门限循环网络（Bi-LSTM）以及两层全连接层。这种深度学习模型在处理时序数据和特征之间的关系方面表现出色，适用于负碳排放预测任务。具体来说，双向门限循环网络（Bi-LSTM）是一种递归神经网络，可以有效地捕捉时序数据中的长期和短期依赖关系。通过将时间步骤的数据输入到Bi-LSTM中，可以生成前向和后向的隐藏特征向量。这两个向量捕获了数据中的关键信息。将前向和后向的隐藏特征向量进行向量融合，得到目标隐藏特征向量。这个步骤可以采用简单的向量连接或其他复杂的融合方法，以确保获得具有丰富信息的向量表示。将目标隐藏特征向量输入到两层全连接层进行负碳排放预测。第一层全连接层通常使用激活函数（如ReLU函数）来引入非线性，而第二层全连接层通常使用sigmoid函数来输出负碳排放的预测结果。这个结果可以表示为目标区域的负碳排放预测数据。
在一具体实施例中，执行步骤通过负碳排放预测模型对目标负碳排放特征向量进行负碳排放预测，得到目标区域的负碳排放预测数据的过程可以具体包括如下步骤：
（1）通过双向门限循环网络中的第一层门限循环单元，对目标负碳排放特征向量进行隐藏特征提取，得到前向隐藏特征向量；
（2）通过双向门限循环网络中的第二层门限循环单元，对目标负碳排放特征向量进行隐藏特征提取，得到后向隐藏特征向量；
（3）对前向隐藏特征向量和后向隐藏特征向量进行向量融合，得到目标隐藏特征向量；
（4）将目标隐藏特征向量输入两层全连接层进行负碳排放预测，得到目标区域的负碳排放预测数据，其中，两层全连接层中的第一层全连接层采用ReLU函数，第二层全连接层采用sigmoid函数。
具体的，通过双向门限循环网络中的第一层门限循环单元，对目标负碳排放特征向量进行隐藏特征提取。门限循环单元是LSTM网络的关键组成部分，它有助于捕捉输入序列中的长期依赖关系。例如，如果服务器正在处理生态系统中的碳储量数据，第一层门限循环单元可以学习到不同年份之间的碳储量变化趋势。这将生成前向隐藏特征向量，其中包含了输入数据中的时间序列信息。通过双向门限循环网络中的第二层门限循环单元，对目标负碳排放特征向量进行隐藏特征提取。第二层门限循环单元通过反向传播，捕获输入序列的逆序信息。这有助于更全面地理解数据的上下文和相关性。例如，如果服务器考虑温室气体排放量数据，第二层门限循环单元可以帮助模型理解过去排放量对当前排放的影响。这将生成后向隐藏特征向量。随后，在向量融合阶段，前向隐藏特征向量和后向隐藏特征向量被融合成一个目标隐藏特征向量。这个融合过程可以采用不同的方法，如简单地连接两个向量或加权平均。这有助于综合前向和后向信息，使模型能够更全面地理解数据。目标隐藏特征向量被输入到两层全连接层进行负碳排放预测。第一层全连接层通常采用ReLU函数，引入非线性关系，以更好地拟合数据。例如，如果服务器的目标是预测土壤中的有机碳含量，第一层全连接层可以学习到有机碳含量与其他因素之间的非线性关系。第二层全连接层通常采用sigmoid函数，将输出值映射到0到1之间，这可以解释为负碳排放的概率分数。
上面对本发明实施例中负碳排放的预测方法进行了描述，下面对本发明实施例中负碳排放的预测装置进行描述，请参阅图5，本发明实施例中负碳排放的预测装置一个实施例包括：
获取模块501，用于获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；
创建模块502，用于通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集；
分析模块503，用于将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集；
优化模块504，用于对所述初始优选指标数据集和所述基准标签集进行评估精度计算，得到目标评估精度，并根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；
预测模块505，用于将所述多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到所述目标区域的负碳排放预测数据。
通过上述各个组成部分的协同合作，根据负碳排放指标体系对多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；通过熵权评价模型创建多个第一负碳排放指标数据对应的基准标签集；将负碳排放指标数据序列输入优选模型进行指标优选分析，得到初始优选指标数据集；对初始优选指标数据集和基准标签集进行评估精度计算，得到目标评估精度，并根据目标评估精度对初始优选指标数据集进行优选指标数据优化，得到多个第二负碳排放指标数据；将多个第二负碳排放指标数据输入负碳排放预测模型进行负碳排放预测，得到负碳排放预测数据，本发明采用多个第一负碳排放指标数据，综合考虑了森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及气象数据多个因素，使得负碳排放的预测更加全面和准确。引入熵权评价模型有助于确定不同指标的权重，根据其对负碳排放的影响程度，这可以提高负碳排放预测的准确性。同时，使用熵权评价模型可以自动化地为每个指标分配权重，减少了主观干扰。通过遗传算法，可以对初始优选指标数据集进行优化，以选择最相关和最具信息量的指标。这有助于提高预测模型的性能，减少了数据集的复杂性。创建基准标签集有助于标记和分类不同的负碳排放评价对象，从而更好地理解和评估预测结果的准确性。使用了预置的负碳排放指标体系和负碳排放预测模型，这使得方法在不同环境和需求下具有高度可配置性和可适应性，进而提高了负碳排放的预测准确率。
上面图5从模块化功能实体的角度对本发明实施例中的负碳排放的预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中负碳排放的预测设备进行详细描述。
图6是本发明实施例提供的一种负碳排放的预测设备的结构示意图，该负碳排放的预测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对负碳排放的预测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在负碳排放的预测设备600上执行存储介质630中的一系列指令操作。
负碳排放的预测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的负碳排放的预测设备结构并不构成对负碳排放的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种负碳排放的预测设备，所述负碳排放的预测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述负碳排放的预测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述负碳排放的预测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种负碳排放的预测方法，其特征在于，所述负碳排放的预测方法包括：
获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；
通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集；
将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集；
对所述初始优选指标数据集和所述基准标签集进行评估精度计算，得到目标评估精度，并根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；具体包括：对所述初始优选指标数据集进行向量转换，得到第一指标向量，并对所述基准标签集进行向量转换，得到第二指标向量；对所述第一指标向量和所述第二指标向量进行欧式距离计算，得到目标欧式距离数据，并将所述目标欧式距离数据作为对应的目标评估精度；根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；
将所述多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到所述目标区域的负碳排放预测数据；具体包括：对所述多个第二负碳排放指标数据进行特征归一化和向量映射，得到目标负碳排放特征向量；将所述目标负碳排放特征向量输入预置的负碳排放预测模型，其中，所述负碳排放预测模型包括：双向门限循环网络以及两层全连接层；通过所述负碳排放预测模型对所述目标负碳排放特征向量进行负碳排放预测，得到所述目标区域的负碳排放预测数据；其中，得到所述目标区域的负碳排放预测数据，包括：通过所述双向门限循环网络中的第一层门限循环单元，对所述目标负碳排放特征向量进行隐藏特征提取，得到前向隐藏特征向量；通过所述双向门限循环网络中的第二层门限循环单元，对所述目标负碳排放特征向量进行隐藏特征提取，得到后向隐藏特征向量；对所述前向隐藏特征向量和所述后向隐藏特征向量进行向量融合，得到目标隐藏特征向量；将所述目标隐藏特征向量输入所述两层全连接层进行负碳排放预测，得到所述目标区域的负碳排放预测数据，其中，所述两层全连接层中的第一层全连接层采用ReLU函数，第二层全连接层采用sigmoid函数。
2.根据权利要求1所述的负碳排放的预测方法，其特征在于，所述获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列，包括：
获取目标区域的多个第一负碳排放指标数据，其中，所述多个第一负碳排放指标数据包括：目标区域的森林覆盖面积、生态系统中的碳储量、温室气体排放量、土壤中的有机碳含量、归一化差值植被指数以及目标区域的气象数据；
获取预置的负碳排放指标体系，其中，所述负碳排放指标体系包括：指标与目标关系、指标与因素关系以及指标与指标关系，所述指标与目标关系为每个指标与负碳排放目标之间的关系，所述指标与因素关系为识别每个指标与负碳排放影响因素之间的关系，所述指标与指标关系为不同指标之间的正负相关性；
根据所述负碳排放指标体系中的指标与目标关系，计算每个第一负碳排放指标数据的第一评价分数A1，并根据所述指标与因素关系，计算每个第一负碳排放指标数据的第二评价分数A2，以及根据所述指标与目标关系，计算每个第一负碳排放指标数据的第三评价分数A3；
对所述第一评价分数A1、所述第二评价分数A2以及所述第三评价分数A3进行求和运算，得到每个第一负碳排放指标数据的目标评价分数Am；
根据所述目标评价分数Am，对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列。
3.根据权利要求1所述的负碳排放的预测方法，其特征在于，所述通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集，包括：
获取所述目标区域的多个负碳排放评价对象，并根据所述多个负碳排放评价对象和所述多个第一负碳排放指标数据生成对应的目标数据矩阵；
通过熵权评价模型，根据所述目标数据矩阵分别计算每个负碳排放评价对象的正理想解和负理想解；
根据所述正理想解和所述负理想解，分别计算每个负碳排放评价对象的综合得分F；
采用自然断点法，对所述综合得分F进行聚类分析，得到所述多个负碳排放评价对象对应的多个聚类簇；
对所述多个聚类簇进行标签定义，得到多个簇标签，并对所述多个簇标签和所述多个负碳排放评价对象进行关联，生成对应的基准标签集。
4.根据权利要求2所述的负碳排放的预测方法，其特征在于，所述将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集，包括：
对所述目标评价分数Am与第一评价分数阈值D1和第二评价分数阈值D2进行比较，其中，第一评价分数阈值D1＜第二评价分数阈值D2；
若目标评价分数Am＜第一评价分数阈值D1，则将对应的第一负碳排放指标数据划分至第一负碳排放指标群体，若第一评价分数阈值D1＜目标评价分数Am＜第二评价分数阈值D2，则将对应的第一负碳排放指标数据划分至第二负碳排放指标群体，若第二评价分数阈值D2＜目标评价分数Am，则将对应的第一负碳排放指标数据划分至第三负碳排放指标群体；
对所述第一负碳排放指标群体和所述第二负碳排放指标群体进行繁殖、交叉和变异，并对所述第三负碳排放指标群体进行交叉和变异，得到多个候选指标数据集；
对所述多个候选指标数据集进行最优化分析，得到初始优选指标数据集。
5.一种负碳排放的预测装置，其特征在于，所述负碳排放的预测装置包括：
获取模块，用于获取目标区域的多个第一负碳排放指标数据，并根据预置的负碳排放指标体系对所述多个第一负碳排放指标数据进行指标排序，得到负碳排放指标数据序列；
创建模块，用于通过熵权评价模型创建所述多个第一负碳排放指标数据对应的基准标签集；
分析模块，用于将所述负碳排放指标数据序列输入预置的优选模型进行指标优选分析，得到初始优选指标数据集；
优化模块，用于对所述初始优选指标数据集和所述基准标签集进行评估精度计算，得到目标评估精度，并根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；具体包括：对所述初始优选指标数据集进行向量转换，得到第一指标向量，并对所述基准标签集进行向量转换，得到第二指标向量；对所述第一指标向量和所述第二指标向量进行欧式距离计算，得到目标欧式距离数据，并将所述目标欧式距离数据作为对应的目标评估精度；根据所述目标评估精度对所述初始优选指标数据集进行优选指标数据优化，得到目标优选指标数据集，其中，所述目标优选指标数据集包括多个第二负碳排放指标数据；
预测模块，用于将所述多个第二负碳排放指标数据输入预置的负碳排放预测模型进行负碳排放预测，得到所述目标区域的负碳排放预测数据；具体包括：对所述多个第二负碳排放指标数据进行特征归一化和向量映射，得到目标负碳排放特征向量；将所述目标负碳排放特征向量输入预置的负碳排放预测模型，其中，所述负碳排放预测模型包括：双向门限循环网络以及两层全连接层；通过所述负碳排放预测模型对所述目标负碳排放特征向量进行负碳排放预测，得到所述目标区域的负碳排放预测数据；其中，得到所述目标区域的负碳排放预测数据，包括：通过所述双向门限循环网络中的第一层门限循环单元，对所述目标负碳排放特征向量进行隐藏特征提取，得到前向隐藏特征向量；通过所述双向门限循环网络中的第二层门限循环单元，对所述目标负碳排放特征向量进行隐藏特征提取，得到后向隐藏特征向量；对所述前向隐藏特征向量和所述后向隐藏特征向量进行向量融合，得到目标隐藏特征向量；将所述目标隐藏特征向量输入所述两层全连接层进行负碳排放预测，得到所述目标区域的负碳排放预测数据，其中，所述两层全连接层中的第一层全连接层采用ReLU函数，第二层全连接层采用sigmoid函数。
6.一种负碳排放的预测设备，其特征在于，所述负碳排放的预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述负碳排放的预测设备执行如权利要求1-4中任一项所述的负碳排放的预测方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的负碳排放的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311674557.9A CN117391258B (zh) | 2023-12-08 | 2023-12-08 | 一种负碳排放的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311674557.9A CN117391258B (zh) | 2023-12-08 | 2023-12-08 | 一种负碳排放的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117391258A CN117391258A (zh) | 2024-01-12 |
| CN117391258B true CN117391258B (zh) | 2024-03-15 |
Family
ID=89468651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311674557.9A Active CN117391258B (zh) | 2023-12-08 | 2023-12-08 | 一种负碳排放的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391258B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117951457B (zh) * | 2024-03-26 | 2024-06-11 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭的负碳产品碳减排量核算方法及系统 |
| CN117973646B (zh) * | 2024-04-02 | 2024-06-14 | 深圳碳中和生物燃气股份有限公司 | 钢铁生产的负碳排放控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
| CN116432822A (zh) * | 2023-03-09 | 2023-07-14 | 华南师范大学 | 一种碳排放数据预测方法、系统、设备及可读存储介质 |
| CN117035464A (zh) * | 2023-08-25 | 2023-11-10 | 广东电网有限责任公司广州供电局 | 基于时序网络改进循环网络的企业用电碳排放预测方法 |
| CN117078057A (zh) * | 2023-07-04 | 2023-11-17 | 香港理工大学 | 一种碳排放控制政策的评估方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11398000B2 (en) * | 2019-05-20 | 2022-07-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
-
2023
- 2023-12-08 CN CN202311674557.9A patent/CN117391258B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
| CN116432822A (zh) * | 2023-03-09 | 2023-07-14 | 华南师范大学 | 一种碳排放数据预测方法、系统、设备及可读存储介质 |
| CN117078057A (zh) * | 2023-07-04 | 2023-11-17 | 香港理工大学 | 一种碳排放控制政策的评估方法、装置、设备及介质 |
| CN117035464A (zh) * | 2023-08-25 | 2023-11-10 | 广东电网有限责任公司广州供电局 | 基于时序网络改进循环网络的企业用电碳排放预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于 PSR 修正模型的湖南省土地利用碳排 放安全评价与调控;马肖迪;《硕士电子期刊出版信息》;20220315;第1-113页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117391258A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117391258B (zh) | 一种负碳排放的预测方法、装置、设备及存储介质 | |
| Galdi et al. | Data mining: accuracy and error measures for classification and prediction | |
| CN104881706B (zh) | 一种基于大数据技术的电力系统短期负荷预测方法 | |
| CN116340839B (zh) | 基于蚁狮算法的算法选择方法及装置 | |
| CN114117240A (zh) | 基于大数据需求分析的互联网内容推送方法及ai系统 | |
| Pugelj et al. | Predicting structured outputs k-nearest neighbours method | |
| Loganathan et al. | Development of machine learning based framework for classification and prediction of students in virtual classroom environment | |
| CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
| CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
| CN117236656B (zh) | 工程项目的信息化管理方法及系统 | |
| Nagwani et al. | A data mining model to predict software bug complexity using bug estimation and clustering | |
| CN117036781A (zh) | 一种基于树综合多样性深度森林的图像分类方法 | |
| CN111832645A (zh) | 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法 | |
| Li et al. | Generalized building energy and carbon emissions benchmarking with post-prediction analysis | |
| CN111048145A (zh) | 蛋白质预测模型的生成方法、装置、设备和存储介质 | |
| KR102480518B1 (ko) | 신용평가 모델 업데이트 또는 교체 방법 및 장치 | |
| Yeon et al. | Visual imputation analytics for missing time-series data in bayesian network | |
| CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
| CN112766347A (zh) | 一种结合标注质量控制的主动学习方法 | |
| CN112735596A (zh) | 一种相似患者的确定方法、装置、电子设备及存储介质 | |
| CN116228484B (zh) | 基于量子聚类算法的课程组合方法及装置 | |
| Marr et al. | Identifying the mode and impact of technological substitutions | |
| CN112037911B (zh) | 基于机器学习的精神评估的筛查系统及其训练方法 | |
| CN117217392B (zh) | 一种通用装备保障需求的确定方法及装置 | |
| Zannat et al. | Disease Prediction Through Syndromes by Clustering Algorithm |
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 |