CN117557121A - 一种港口建设项目环境影响的评价方法 - Google Patents
一种港口建设项目环境影响的评价方法 Download PDFInfo
- Publication number
- CN117557121A CN117557121A CN202410035134.0A CN202410035134A CN117557121A CN 117557121 A CN117557121 A CN 117557121A CN 202410035134 A CN202410035134 A CN 202410035134A CN 117557121 A CN117557121 A CN 117557121A
- Authority
- CN
- China
- Prior art keywords
- factor
- carbon
- environmental
- factors
- data
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 164
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 164
- 230000007613 environmental effect Effects 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 239000002028 Biomass Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000009919 sequestration Effects 0.000 claims description 3
- 238000010792 warming Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 238000013461 design Methods 0.000 description 19
- 238000005265 energy consumption Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 239000002689 soil Substances 0.000 description 9
- 239000002699 waste material Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003911 water pollution 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种港口建设项目环境影响的评价方法，包括获取港口建设项目产生的环境碳数据，对所述环境碳数据进行预处理，计算预处理后所述环境碳数据的碳排放量和固碳量，将所述碳排放量和所述环境碳数据分别输入第一筛选模型和第二筛选模型获得第一因子和第二因子，将所述第一因子和所述第二因子融合输出为影响因子，根据所述固碳量和所述影响因子构造碳影响函数，基于所述碳影响函数构建环境影响评价模型，采用训练误差优化所述环境影响评价模型，将待评价环境碳数据输入优化后的所述环境影响评价模型，输出评价结果。该方法不仅可以提高评价方法的精度，同时具有较好的可解释性，可以直接应用于环境影响评价系统中。
Description
技术领域
本发明涉及港口建设领域，尤其涉及一种港口建设项目环境影响的评价方法。
背景技术
随着全球贸易的不断发展，港口建设项目的数量和规模也在不断增长，港口作为能源密集型行业，运营过程中会消耗大量化石能源，并向环境排放二氧化碳，然而，港口建设过程中可能对环境产生负面影响，如水污染、空气污染、噪声污染、生态破坏等。因此，对港口建设项目进行环境影响评价是十分必要的，现有的评价方法存在评价标准不统一、评价过程不科学、评价结果不准确等问题，难以满足实际需求。因此需要一种港口建设项目环境影响的评价方法。
发明内容
本发明的目的是要提供一种港口建设项目环境影响的评价方法。
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：
获取港口建设项目产生的环境碳数据，对所述环境碳数据进行预处理；
计算预处理后所述环境碳数据的碳排放量和固碳量，将所述碳排放量和所述环境碳数据分别输入第一筛选模型和第二筛选模型获得第一因子和第二因子，将所述第一因子和所述第二因子融合输出为影响因子；
根据所述固碳量和所述影响因子构造碳影响函数，基于所述碳影响函数构建环境影响评价模型；
采用训练误差优化所述环境影响评价模型，将待评价环境碳数据输入优化后的所述环境影响评价模型，输出评价结果；包括：
根据目标函数优化网络结构，表达式为：
其中目标函数为，网络复杂度为/>，测试误差为/>，网络复杂度的权重系数为，测试误差的权重系数为/>，实际连接的神经元数量为R，第u+1层神经元数量为/>，阈值系数分别为/>、/>；
优化网络权值，表达式为：
其中最小目标函数为，权值向量为H，单位矩阵为E，优化参数为/>，转置为T，第k个子网络在t时刻的网络误差为/>，t时刻的网络误差的雅可比矩阵为/>，t时刻雅可比矩阵的转置为/>；
优化全局组合系数，表达式为：
其中t时刻的全局叠加系数为，t时刻模型误差的差值矩阵为/>，差值矩阵的转置为/>，损失函数为/>，全局叠加系数的前向差分为/>
进一步的，所述计算预处理后所述环境碳数据的碳排放量和固碳量的表达式为：
其中第s个排放因子为，排放因子的数量为q，第i个环境碳数据为/>，环境碳数据的数量为m，第i个全球变暖趋势为/>，环境碳数据的碳排放量为/>，碳排放偏移量为，第c个地下生物量为/>，第c个地下生物的碳含率为/>，底下生物的数量为e，第a个地上生物量为/>，第a个地上生物的根茎比为/>，地上生物的数量为u，固碳量为D。
进一步的，获得所述第一因子的方法，包括：
根据碳排放量提取环境碳数据的特征因子，将特征因子输入第一筛选模型，初始化特征因子为空集；
计算特征因子与类别、特征因子之间的最大信息系数：
其中第i个特征因子为，第j个变量为/>，特征因子/>与变量/>由变量组成有序对集合的互信息为/>，特征因子数量为c，特征因子的函数为/>，特征因子/>与变量/>的最大信息系数为/>，重复操作直到遍历所有特征因子；
计算评价函数值：
其中e个特征因子的平均最大信息系数为，e个特征因子和类别间的平均最大信息系数为/>，选取特征的数量为e，e个特征因子/>与变量/>的评价函数为/>；
当时，若加入特征因子/>的e个特征因子子集评价函数值小于删除特征因子/>的e-1个特征因子子集评价函数值，则从特征因子子集中删除特征因子/>，反之保留；
遍历所有的特征因子，将满足条件的特征因子输出为第一因子。
进一步的，获得所述第二因子的方法，包括：
将特征因子输入第二筛选模型，计算价值度：
其中第g个环境碳数据第t期的价值度为，第u个因子第t期截距项为/>，第g个环境碳数据第t期第u个因子的回归系数为/>，第g个环境碳数据第t-1期第u个因子的环境碳数据为/>，轮流选用因子和第t期价值度进行因子回归；
计算第t+1期的价值度：
其中第g个环境碳数据第t+1期的价值度为，第u个因子第t+1期截距项为，第g个环境碳数据第t+1期第u个因子的预测价值度为/>，因子的数量为p，第g个环境碳数据第t+1期第u个因子的回归系数为/>，给出第二筛选模型的损失函数：
其中实际价值度为F，损失函数为，权衡参为/>，正则化乘数为/>，样本权重为/>，转置为T，输入因子的预测价值度为/>，回归系数为/>，通过网格调参找到最小正则化乘数；
将回归系数不为0的因子输出为第二因子。
进一步的，将所述第一因子和所述第二因子融合输出为影响因子的方法，包括：
将第一因子和第二因子放入因子集，删除重复因子，计算剩余因子的贡献度：
其中因子c的贡献率为，时间为t，时间t内的碳排放量为/>，时间t内的固碳量为/>，因子c的作用率为/>，因子c引起的碳排放量为/>，将贡献度大于0.53的因子输出为影响因子。
进一步的，根据所述固碳量和所述影响因子构造碳影响函数的方法，包括：
碳影响函数的表达式为：
其中s时刻碳影响函数为，s时刻碳排放量为/>，s时刻固碳量为/>，调整因子分别为/>、/>、/>，以自然数e为底的幂指数函数为/>。
进一步的，基于所述碳影响函数构建环境影响评价模型的方法，包括将影响函数作为环境影响评价模型的目标函数，环境影响评价模型采用BP神经网络算法、随机森林算法和模糊综合评价构建，BP神经网络算法学习影响因子的规律和作用原理，随机森林算法对影响因子进行分类和回归预测，模糊综合评价对影响因子进行权重分配和综合评价。
第二方面，本申请实施例还提供一种电子设备，包括：
处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第三方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
本发明的有益效果是：
本发明是一种港口建设项目环境影响的评价方法，与现有技术相比，本发明具有以下技术效果：
本发明通过提取第一因子和第二因子、构造碳影响函数、构建模型和优化模型 步骤，可以提高港口建设项目环境影响的评价方法的准确性，从而提高港口建设项目环境影响的评价的精度，筛选影响因子，可以大大节省资源和人力成本，提高工作效率，可以实现港口建设项目环境影响的评价，实时对港口建设项目环境影响进行碳影响评价，对港口建设项目环境影响的评价具有重要意义，可以适应不同港口建设项目环境影响的评价系统、不同用户的港口建设项目环境影响的评价需求，具有一定的普适性。
附图说明
图1为本发明一种港口建设项目环境影响的评价方法的步骤流程图；
图2为本发明一种港口建设项目环境影响的总体技术路线；
图3为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
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。
本发明一种港口建设项目环境影响的评价方法包括以下步骤：
如图1所示，在本实施例中，包括以下步骤：
获取港口建设项目产生的环境碳数据，对所述环境碳数据进行预处理；
在实际评估中，随机给出某港口2个项目的环境碳数据：
第1个项目：设计阶段能源消耗量100万千瓦时、施工阶段能源消耗量200万千瓦时、运营阶段能源消耗量50万千瓦时、维护阶段能源消耗量10万千瓦时、设计阶段废弃物碳排放量5吨、施工阶段废弃物碳排放量100吨、运营阶段废弃物碳排放量20吨、设计阶段对水体影响轻微、施工阶段对水体影响中等、运营阶段对水体影响轻微、设计阶段对土壤影响轻微、施工阶段对土壤影响中等、运营阶段对土壤影响轻微、设计阶段对生物多样性影响轻微、施工阶段对生物多样性影响中等、运营阶段对生物多样性影响轻微；
第2个项目：设计阶段能源消耗量120万千瓦时、施工阶段能源消耗量220万千瓦时、运营阶段能源消耗量60万千瓦时、维护阶段能源消耗量12万千瓦时、设计阶段废弃物碳排放量6吨、施工阶段废弃物碳排放量120吨、运营阶段废弃物碳排放量25吨、设计阶段对水体影响轻微、施工阶段对水体影响中等运营阶段对水体影响轻微、设计阶段对土壤影响轻微、施工阶段对土壤影响中等、运营阶段对土壤影响轻微、设计阶段对生物多样性影响轻微、施工阶段对生物多样性影响中等、运营阶段对生物多样性影响轻微；
计算预处理后所述环境碳数据的碳排放量和固碳量，将所述碳排放量和所述环境碳数据分别输入第一筛选模型和第二筛选模型获得第一因子和第二因子，将所述第一因子和所述第二因子融合输出为影响因子；
在实际评估中，第1个项目设计阶段碳排放量10吨、施工阶段碳排放量200吨、运营阶段碳排放量50吨、维护阶段碳排放量10吨，第2个项目设计阶段碳排放量15吨、施工阶段碳排放量250吨、运营阶段碳排放量60吨、维护阶段碳排放量15吨；
第1个项目设计阶段生物固碳量2吨、施工阶段生物固碳量10吨、运营阶段生物固碳量2吨，第2个项目设计阶段生物固碳量3吨、施工阶段生物固碳量15吨、运营阶段生物固碳量3吨；
第一因子为碳排放量、能源消耗量、对水体、土壤、生物多样性的影响、生物固碳量，第二因子为碳排放量、对水体、土壤、生物多样性的影响、生物固碳量，影响因子为碳排放量、对水体、土壤、生物多样性的影响、生物固碳量；
根据所述固碳量和所述影响因子构造碳影响函数，基于所述碳影响函数构建环境影响评价模型；
采用训练误差优化所述环境影响评价模型，将待评价环境碳数据输入优化后的所述环境影响评价模型，输出评价结果；包括：
根据目标函数优化网络结构，表达式为：
其中目标函数为，网络复杂度为/>，测试误差为/>，网络复杂度的权重系数为，测试误差的权重系数为/>，实际连接的神经元数量为R，第u+1层神经元数量为/>，阈值系数分别为/>、/>；
优化网络权值，表达式为：
其中最小目标函数为，权值向量为H，单位矩阵为E，优化参数为/>，转置为T，第k个子网络在t时刻的网络误差为/>，t时刻的网络误差的雅可比矩阵为/>，t时刻雅可比矩阵的转置为/>；
优化全局组合系数，表达式为：
其中t时刻的全局叠加系数为，t时刻模型误差的差值矩阵为/>，差值矩阵的转置为/>，损失函数为/>，全局叠加系数的前向差分为/>；
在实际评估中，待评价环境碳数据为：设计阶段碳排放量20吨、施工阶段碳排放量300吨、运营阶段碳排放量70吨、维护阶段碳排放量20吨、设计阶段能源消耗量150万千瓦时、施工阶段能源消耗量250万千瓦时、运营阶段能源消耗量70万千瓦时、维护阶段能源消耗量15万千瓦时、设计阶段废弃物碳排放量7吨、施工阶段废弃物碳排放量150吨、运营阶段废弃物碳排放量30吨；
评价结果为0.41，设计阶段对水体影响中等、施工阶段对水体影响中等、运营阶段对水体影响轻微、设计阶段对土壤影响轻微、施工阶段对土壤影响中等、运营阶段对土壤影响轻微、设计阶段对生物多样性影响轻微、施工阶段对生物多样性影响中等。
在本实施例中，所述计算预处理后所述环境碳数据的碳排放量和固碳量的表达式为：
其中第s个排放因子为，排放因子的数量为q，第i个环境碳数据为/>，环境碳数据的数量为m，第i个全球变暖趋势为/>，环境碳数据的碳排放量为/>，碳排放偏移量为，第c个地下生物量为/>，第c个地下生物的碳含率为/>，底下生物的数量为e，第a个地上生物量为/>，第a个地上生物的根茎比为/>，地上生物的数量为u，固碳量为D。
在本实施例中，获得所述第一因子的方法，包括：
根据碳排放量提取环境碳数据的特征因子，将特征因子输入第一筛选模型，初始化特征因子为空集；
计算特征因子与类别、特征因子之间的最大信息系数：
其中第i个特征因子为，第j个变量为/>，特征因子/>与变量/>由变量组成有序对集合的互信息为/>，特征因子数量为c，特征因子的函数为/>，特征因子/>与变量/>的最大信息系数为/>，重复操作直到遍历所有特征因子；
计算评价函数值：
其中e个特征因子的平均最大信息系数为，e个特征因子和类别间的平均最大信息系数为/>，选取特征的数量为e，e个特征因子/>与变量/>的评价函数为/>；
当时，若加入特征因子/>的e个特征因子子集评价函数值小于删除特征因子/>的e-1个特征因子子集评价函数值，则从特征因子子集中删除特征因子/>，反之保留；
遍历所有的特征因子，将满足条件的特征因子输出为第一因子。
在本实施例中，获得所述第二因子的方法，包括：
将特征因子输入第二筛选模型，计算价值度：
其中第g个环境碳数据第t期的价值度为，第u个因子第t期截距项为/>，第g个环境碳数据第t期第u个因子的回归系数为/>，第g个环境碳数据第t-1期第u个因子的环境碳数据为/>，轮流选用因子和第t期价值度进行因子回归；
计算第t+1期的价值度：
其中第g个环境碳数据第t+1期的价值度为，第u个因子第t+1期截距项为，第g个环境碳数据第t+1期第u个因子的预测价值度为/>，因子的数量为p，第g个环境碳数据第t+1期第u个因子的回归系数为/>，给出第二筛选模型的损失函数：
其中实际价值度为F，损失函数为，权衡参为/>，正则化乘数为/>，样本权重为/>，转置为T，输入因子的预测价值度为/>，回归系数为/>，通过网格调参找到最小正则化乘数；
将回归系数不为0的因子输出为第二因子。
在本实施例中，将所述第一因子和所述第二因子融合输出为影响因子的方法，包括：
将第一因子和第二因子放入因子集，删除重复因子，计算剩余因子的贡献度：
其中因子c的贡献率为，时间为t，时间t内的碳排放量为/>，时间t内的固碳量为/>，因子c的作用率为/>，因子c引起的碳排放量为/>，将贡献度大于0.53的因子输出为影响因子。
在本实施例中，根据所述固碳量和所述影响因子构造碳影响函数的方法，包括：
碳影响函数的表达式为：
其中s时刻碳影响函数为，s时刻碳排放量为/>，s时刻固碳量为/>，调整因子分别为/>、/>、/>，以自然数e为底的幂指数函数为/>。
在本实施例中，基于所述碳影响函数构建环境影响评价模型的方法，包括将影响函数作为环境影响评价模型的目标函数，环境影响评价模型采用BP神经网络算法、随机森林算法和模糊综合评价构建，BP神经网络算法学习影响因子的规律和作用原理，随机森林算法对影响因子进行分类和回归预测，模糊综合评价对影响因子进行权重分配和综合评价。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种港口建设项目环境影响的评价装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种港口建设项目环境影响的评价方法。
上述如本申请图1所示实施例揭示的一种港口建设项目环境影响的评价方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central ProcessingUnit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种港口建设项目环境影响的评价方法，并实现图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种港口建设项目环境影响的评价方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
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 (8)
1.一种港口建设项目环境影响的评价方法，其特征在于，包括以下步骤：
获取港口建设项目产生的环境碳数据，对所述环境碳数据进行预处理；
计算预处理后所述环境碳数据的碳排放量和固碳量，将所述碳排放量和所述环境碳数据分别输入第一筛选模型和第二筛选模型获得第一因子和第二因子，将所述第一因子和所述第二因子融合输出为影响因子；
根据所述固碳量和所述影响因子构造碳影响函数，基于所述碳影响函数构建环境影响评价模型；
采用训练误差优化所述环境影响评价模型，将待评价环境碳数据输入优化后的所述环境影响评价模型，输出评价结果；包括：
根据目标函数优化网络结构，表达式为：
其中目标函数为，网络复杂度为/>，测试误差为/>，网络复杂度的权重系数为/>，测试误差的权重系数为/>，实际连接的神经元数量为R，第u+1层神经元数量为/>，阈值系数分别为/>、/>；
优化网络权值，表达式为：
其中最小目标函数为，权值向量为H，单位矩阵为E，优化参数为/>，转置为T，第k个子网络在t时刻的网络误差为/>，t时刻的网络误差的雅可比矩阵为/>，t时刻雅可比矩阵的转置为/>；
优化全局组合系数，表达式为：
其中t时刻的全局叠加系数为，t时刻模型误差的差值矩阵为/>，差值矩阵/>的转置为/>，损失函数为/>，全局叠加系数的前向差分为/>。
2.根据权利要求1所述的一种港口建设项目环境影响的评价方法，其特征在于，所述计算预处理后所述环境碳数据的碳排放量和固碳量的表达式为：
其中第s个排放因子为，排放因子的数量为q，第i个环境碳数据为/>，环境碳数据的数量为m，第i个全球变暖趋势为/>，环境碳数据的碳排放量为/>，碳排放偏移量为/>，第c个地下生物量为/>，第c个地下生物的碳含率为/>，底下生物的数量为e，第a个地上生物量为/>，第a个地上生物的根茎比为/>，地上生物的数量为u，固碳量为D。
3.根据权利要求1所述的一种港口建设项目环境影响的评价方法，其特征在于，获得所述第一因子的方法，包括：
根据碳排放量提取环境碳数据的特征因子，将特征因子输入第一筛选模型，初始化特征因子为空集；
计算特征因子与类别、特征因子之间的最大信息系数：
其中第i个特征因子为，第j个变量为/>，特征因子/>与变量/>由变量组成有序对集合的互信息为/>，特征因子数量为c，特征因子的函数为/>，特征因子/>与变量的最大信息系数为/>，重复操作直到遍历所有特征因子；
计算评价函数值：
其中e个特征因子的平均最大信息系数为，e个特征因子和类别间的平均最大信息系数为/>，选取特征的数量为e，e个特征因子/>与变量/>的评价函数为/>；
当时，若加入特征因子/>的e个特征因子子集评价函数值小于删除特征因子/>的e-1个特征因子子集评价函数值，则从特征因子子集中删除特征因子/>，反之保留；
遍历所有的特征因子，将满足条件的特征因子输出为第一因子。
4.根据权利要求1所述的一种港口建设项目环境影响的评价方法，其特征在于，获得所述第二因子的方法，包括：
将特征因子输入第二筛选模型，计算价值度：
其中第g个环境碳数据第t期的价值度为，第u个因子第t期截距项为/>，第g个环境碳数据第t期第u个因子的回归系数为/>，第g个环境碳数据第t-1期第u个因子的环境碳数据为/>，轮流选用因子和第t期价值度进行因子回归；
计算第t+1期的价值度：
其中第g个环境碳数据第t+1期的价值度为，第u个因子第t+1期截距项为/>，第g个环境碳数据第t+1期第u个因子的预测价值度为/>，因子的数量为p，第g个环境碳数据第t+1期第u个因子的回归系数为/>，给出第二筛选模型的损失函数：
；
其中实际价值度为F，损失函数为，权衡参为/>，正则化乘数为/>，样本权重为/>，转置为T，输入因子的预测价值度为/>，回归系数为/>，通过网格调参找到最小正则化乘数；
将回归系数不为0的因子输出为第二因子。
5.根据权利要求1所述的一种港口建设项目环境影响的评价方法，其特征在于，将所述第一因子和所述第二因子融合输出为影响因子的方法，包括：
将第一因子和第二因子放入因子集，删除重复因子，计算剩余因子的贡献度：
其中因子c的贡献率为，时间为t，时间t内的碳排放量为/>，时间t内的固碳量为/>，因子c的作用率为/>，因子c引起的碳排放量为/>，将贡献度大于0.53的因子输出为影响因子。
6.根据权利要求1所述的一种港口建设项目环境影响的评价方法，其特征在于，根据所述固碳量和所述影响因子构造碳影响函数的方法，包括：
碳影响函数的表达式为：
其中s时刻碳影响函数为，s时刻碳排放量为/>，s时刻固碳量为/>，调整因子分别为/>、/>、/>，以自然数e为底的幂指数函数为/>。
7.一种电子设备，包括：
处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~6之任一所述方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~6之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410035134.0A CN117557121A (zh) | 2024-01-10 | 2024-01-10 | 一种港口建设项目环境影响的评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410035134.0A CN117557121A (zh) | 2024-01-10 | 2024-01-10 | 一种港口建设项目环境影响的评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117557121A true CN117557121A (zh) | 2024-02-13 |
Family
ID=89813121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410035134.0A Pending CN117557121A (zh) | 2024-01-10 | 2024-01-10 | 一种港口建设项目环境影响的评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557121A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130039806A (ko) * | 2011-10-13 | 2013-04-23 | 연세대학교 산학협력단 | 산업연관표 기반의 건축물 이산화탄소 배출량 평가 시스템 |
| CN116307244A (zh) * | 2023-04-07 | 2023-06-23 | 交通运输部水运科学研究所 | 一种港口碳排放预测方法、系统、电子设备及介质 |
| CN117195505A (zh) * | 2023-08-18 | 2023-12-08 | 中国电力科学研究院有限公司 | 一种用于电能表信息化评价校准模型的测评方法及系统 |
-
2024
- 2024-01-10 CN CN202410035134.0A patent/CN117557121A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130039806A (ko) * | 2011-10-13 | 2013-04-23 | 연세대학교 산학협력단 | 산업연관표 기반의 건축물 이산화탄소 배출량 평가 시스템 |
| CN116307244A (zh) * | 2023-04-07 | 2023-06-23 | 交通运输部水运科学研究所 | 一种港口碳排放预测方法、系统、电子设备及介质 |
| CN117195505A (zh) * | 2023-08-18 | 2023-12-08 | 中国电力科学研究院有限公司 | 一种用于电能表信息化评价校准模型的测评方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 徐洪磊: "将碳评价纳入港口规划环评技术体系初探", 环境影响评价, vol. 44, no. 4, 31 July 2022 (2022-07-31) * |
| 李玥阳: "A股市场异象因子组合筛选——基于机器学习的视角", 中国优秀硕士学位论文全文数据库, no. 12, 15 December 2022 (2022-12-15), pages 3 * |
| 杨彦霞等: "基于混合双层自组织径向基函数神经网络的优化学习算法", 北京工业大学学报, vol. 50, no. 1, 2 December 2023 (2023-12-02), pages 2 * |
| 罗幼喜等: "基于最大信息系数的关联性特征选择算法:MICCFS", 华中师范大学学报, vol. 57, no. 6, 15 December 2023 (2023-12-15), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657696B (zh) | 多任务监督学习模型训练、预测方法和装置 | |
| Dogan et al. | Application of artificial neural networks to estimate wastewater treatment plant inlet biochemical oxygen demand | |
| Sivapragasam et al. | Prediction of algal blooms using genetic programming | |
| Carmona et al. | Overview on evolutionary subgroup discovery: analysis of the suitability and potential of the search performed by evolutionary algorithms | |
| CN114399032A (zh) | 一种电能表计量误差预测方法及系统 | |
| Karthik et al. | Prognostic Kalman Filter Based Bayesian Learning Model for Data Accuracy Prediction. | |
| Makedon et al. | Enterprise multi-level energy efficiency management system development | |
| CN110990560A (zh) | 一种司法数据处理方法及系统 | |
| CN116559704A (zh) | 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 | |
| Liang et al. | MetaVelvet-DL: a MetaVelvet deep learning extension for de novo metagenome assembly | |
| Gundry et al. | Inclusion of multiple cycling of potential in the deep neural network classification of voltammetric reaction mechanisms | |
| Aïvodji et al. | Faircorels, an open-source library for learning fair rule lists | |
| Qian et al. | Dlgea: a deep learning guided evolutionary algorithm for water contamination source identification | |
| Khadr et al. | GA-based implicit stochastic optimization and RNN-based simulation for deriving multi-objective reservoir hedging rules | |
| Jiang et al. | Deep-reinforcement-learning-based water diversion strategy | |
| Bhandari | Automatic waste sorting in industrial environments via machine learning approaches | |
| CN116090710B (zh) | 一种企业排污许可的管理方法、系统、电子设备及介质 | |
| CN117557121A (zh) | 一种港口建设项目环境影响的评价方法 | |
| Mathur et al. | Modeling of two-stage anaerobic onsite wastewater sanitation system to predict effluent soluble chemical oxygen demand through machine learning | |
| CN114267422B (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 | |
| CN115458071A (zh) | 土壤重金属含量预测方法、装置与设备 | |
| CN117575110B (zh) | 一种基于土壤重构的矿山修复效果预测方法及相关设备 | |
| CN112949882A (zh) | 一种负荷预测的方法、装置及电子设备 | |
| Kóczy et al. | Issues and challenges of intelligent systems and computational intelligence | |
| Chauhan et al. | Temporal Convolutional Network and its Application in Various Sectors |
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 |