CN117709528A - 碳排放量预测方法、装置、设备及存储介质 - Google Patents

碳排放量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117709528A
CN117709528A CN202311705386.1A CN202311705386A CN117709528A CN 117709528 A CN117709528 A CN 117709528A CN 202311705386 A CN202311705386 A CN 202311705386A CN 117709528 A CN117709528 A CN 117709528A
Authority
CN
China
Prior art keywords
carbon emission
data
historical data
predicted
target
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
Application number
CN202311705386.1A
Other languages
English (en)
Inventor
马晓文
金海龙
汪沛
段希永
杨玉林
安可胜
胡伟
马春艳
田林杰
黄家林
黄旭
李森林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Merchants International Technology Co ltd
Original Assignee
China Merchants International Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Merchants International Technology Co ltd filed Critical China Merchants International Technology Co ltd
Priority to CN202311705386.1A priority Critical patent/CN117709528A/zh
Publication of CN117709528A publication Critical patent/CN117709528A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及环境监测技术领域，公开了一种碳排放量预测方法、装置、设备及存储介质，该方法通过获取碳排放历史数据与待预测时间；对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；根据所述目标碳排放历史数据获得回归分析函数；基于所述目标碳排放历史数据与所述待预测时间确定同比数据；通过所述回归分析函数与所述同比数据获得待预测碳排放量。由于本发明通过对碳排放历史数据进行数据补充获得目标碳排放历史数据，基于所述目标碳排放历史数据与待预测时间确定待预测碳排放量，从而解决了由于存在数据缺失的情况，仅能实现短期预测，且预测数据准确度较低的技术问题，进而提高了检测效果。

Description

碳排放量预测方法、装置、设备及存储介质
技术领域
本发明涉及环境监测技术领域，尤其涉及一种碳排放量预测方法、装置、设备及存储介质。
背景技术
目前相关政府部门与各大企业都将数字化能碳(能源消耗与二氧化碳排放)平台作为重点项目，着力建设碳汇数字平台、数字化能源管理平台、数字化碳管理与核查系统等具体平台系统。在国内相较于国外起步较晚的情况下，结合高质量发展要求，依靠政策扶持与精力投入，工业绿色低碳发展呈现出后来居上的良好态势，能碳管理平台建设也同步快速发展。
现在市面上的能碳管理平台，在使用相关传感器采集碳排及能耗数据后，将其通过常用的计算项公式计算处理，最后将处理过的数据归入常见能碳管理指标中，如碳足迹核算、碳资产管理、碳交易信息等，或是单独的、分隔开的碳管理、能源管理平台，只实现单一的碳排管理或是能耗管理功能。现有的能碳管理平台，在对未来数据的预测上，或是没有相应预测功能；或是只对场景单一、数据来源较窄的陆上工业园区实现1-3个月的短期预测，由于存在数据缺失的情况，仅能实现短期预测，且预测数据准确度较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种碳排放量预测方法、装置、设备及存储介质，旨在解决现有技术由于存在数据缺失的情况，仅能实现短期预测，且预测数据准确度较低的技术问题。
为实现上述目的，本发明提供了一种碳排放量预测方法，所述方法包括以下步骤：
获取碳排放历史数据与待预测时间；
对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；
根据所述目标碳排放历史数据获得回归分析函数；
基于所述目标碳排放历史数据与所述待预测时间确定同比数据；
通过所述回归分析函数与所述同比数据获得待预测碳排放量。
可选地，所述根据所述目标碳排放历史数据获得回归分析函数的步骤，包括：
利用最小二乘法对所述目标碳排放历史数据进行处理获得回归系数，所述回归系数包括回归斜率和回归截距；
将所述回归系数带入预设回归公式获得回归分析函数；
其中，所述预设回归公式为：
Y＝X(1+A)+B；
式中，Y为待预测时间下的待预测碳排放量，X为待预测时间的同比数据，A为回归斜率，B为回归截距。
可选地，所述利用最小二乘法对所述目标碳排放历史数据进行处理获得回归系数的步骤，包括：
基于所述目标碳排放历史数据进行处理获得目标碳排放数据差值；
利用最小二乘法对所述目标碳排放数据差值与所述目标碳排放历史数据进行处理，确定回归系数。
可选地，所述获取碳排放历史数据与待预测时间的步骤之后，包括：
对所述碳排放历史数据进行预处理，获得有效碳排放历史数据；
所述对所述碳排放历史数据进行数据补充获得目标碳排放历史数据的步骤，包括：
对所述有效碳排放历史数据进行数据补充获得目标碳排放历史数据。
可选地，所述对所述碳排放历史数据进行数据补充获得目标碳排放历史数据的步骤，包括：
根据时间顺序依次判断所述碳排放历史数据是否缺失；
若当前碳排放历史数据缺失，则将所述当前碳排放历史数据的前一个碳排放历史数据与后一个碳排放历史数据求平均值，将所述平均值作为当前碳排放历史数据。
可选地，所述对所述碳排放历史数据进行数据补充获得目标碳排放历史数据的步骤之后，包括：
若所述目标碳排放历史数据中不存在待预测时间的同比数据，则预测失效。
可选地，所述通过所述回归分析函数与所述同比数据获得待预测碳排放量的步骤之后，还包括：
若所述待预测碳排放量大于预设排放阈值，则反馈预警信息。
此外，为实现上述目的，本发明还提出一种碳排放量预测装置，所述装置包括：
数据获取模块，用于获取碳排放历史数据与待预测时间；
数据补充模块，用于对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；
回归分析模块，用于根据所述目标碳排放历史数据获得回归分析函数；
数据同比模块，用于基于所述目标碳排放历史数据与所述待预测时间确定同比数据；
数据预测模块，用于通过所述回归分析函数与所述同比数据获得待预测碳排放量。
此外，为实现上述目的，本发明还提出一种碳排放量预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的碳排放量预测程序，所述碳排放量预测程序配置为实现如上文所述的碳排放量预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有碳排放量预测程序，所述碳排放量预测程序被处理器执行时实现如上文所述的碳排放量预测方法的步骤。
本发明通过获取碳排放历史数据与待预测时间；对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；根据所述目标碳排放历史数据获得回归分析函数；基于所述目标碳排放历史数据与所述待预测时间确定同比数据；通过所述回归分析函数与所述同比数据获得待预测碳排放量。由于本发明通过对碳排放历史数据进行数据补充获得目标碳排放历史数据，基于所述目标碳排放历史数据与待预测时间确定待预测碳排放量，从而解决了由于存在数据缺失的情况，仅能实现短期预测，且预测数据准确度较低的技术问题，进而提高了检测效果。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的碳排放量预测设备的结构示意图；
图2为本发明碳排放量预测方法第一实施例的流程示意图；
图3为本发明碳排放量预测方法第二实施例的流程示意图；
图4为本发明碳排放量预测方法第三实施例的流程示意图；
图5为本发明碳排放量预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的碳排放量预测设备的结构示意图。
如图1所示，该碳排放量预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对碳排放量预测设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及碳排放量预测程序。
在图1所示的碳排放量预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明碳排放量预测设备中的处理器1001、存储器1005可以设置在碳排放量预测设备中，所述碳排放量预测设备通过处理器1001调用存储器1005中存储的碳排放量预测程序，并执行本发明实施例提供的碳排放量预测方法。
本发明实施例提供了一种碳排放量预测方法，参照图2，，图2为本发明碳排放量预测方法第一实施例的流程示意图。
本实施例中，所述碳排放量预测方法包括以下步骤：
步骤S10：获取碳排放历史数据与待预测时间。
需要说明的是，本实施例方法可以是应用在需要对港口能源消耗与二氧化碳排放数据预测的场景中，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是其它能够实现如同或相似功能的设备。此处以上述碳排放量预测设备(以下简称设备)对本实施例和下述各实施例进行具体说明。
可以理解的是，上述碳排放历史数据可以包括碳排放量、能源消费量、碳排放强度和能源消费强度四种指标类别，其中各指标类别中可以包括若干指标项目，例如，碳排放量可以包括碳排量总量、散杂货码头碳排放总量和集装码头碳排放总量等，本实施例不作限制，本实施例中，碳排放量指标类别通用计算公式为：
能源消费量指标类别通用计算公式为：
碳排放强度指标类别通用计算公式为：
能源消费强度指标类别通用计算公式为：
步骤S20：对所述碳排放历史数据进行数据补充获得目标碳排放历史数据。
需要说明的是，由于上述碳排放历史数据在具体实现中可以月份数据进行收集，可能存在月份数据缺失的情况，将导致预测碳排放量的准确性，故在对碳排放量进行预设前对碳排放历史数据进行数据补充，获得目标碳排放历史数据。
步骤S30：根据所述目标碳排放历史数据获得回归分析函数。
在具体实现中，根据所述目标碳排放历史数据，使用合适的回归分析方法，拟合出合适的回归分析函数，帮助分析碳排放数据的趋势与碳排放数据之间关联关系。
步骤S40：基于所述目标碳排放历史数据与所述待预测时间确定同比数据。
需要说明的是，上述同比数据可以是在待预测时间为本年第N月的情况下，去年第N月的数据，根据同期发展水平用以参考本期发展水平。
步骤S50：通过所述回归分析函数与所述同比数据获得待预测碳排放量。
在具体实现中，若获取碳排放历史数据，其中碳排放历史数据中可以包括多类(多组)数据，如碳排量总量、散杂货码头碳排放总量等，其中，确定其中每组数据中基于待预测时间的去年相关数据，例如，待预测2023年6月份的待预测碳排放量，则确定2022年的数据，由于存在数据缺失的情况，可能只存在2022年1月、2月、3月、8月、10月、11月和12月的数据，即需要补充4月、5月、6月、7月和9月的数据，根据补充后的目标碳排放历史数据(即包含1至12月的数据)进行回归分析，获得回归分析函数，根据获取的待预测时间(2023年6月)确定所述目标碳排放历史数据中2022年6月的数据，将所述同比数据(即2022年6月的数据)代入所述回归分析函数获得待预测碳排放量。
本实施例通过获取碳排放历史数据与待预测时间；对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；根据所述目标碳排放历史数据获得回归分析函数；基于所述目标碳排放历史数据与所述待预测时间确定同比数据；通过所述回归分析函数与所述同比数据获得待预测碳排放量。由于本实施例通过对碳排放历史数据进行数据补充获得目标碳排放历史数据，基于所述目标碳排放历史数据与待预测时间确定待预测碳排放量，从而解决了由于存在数据缺失的情况，仅能实现短期预测，且预测数据准确度较低的技术问题，进而提高了检测效果。
参考图3，图3为本发明碳排放量预测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例中，所述步骤S30包括：
步骤S310：利用最小二乘法对所述目标碳排放历史数据进行处理获得回归系数，所述回归系数包括回归斜率和回归截距。
步骤S320：将所述回归系数带入预设回归公式获得回归分析函数。
其中，所述预设回归公式为：
Y＝X(1+A)+B；
式中，Y为待预测时间下的待预测碳排放量，X为待预测时间的同比数据，A为回归斜率，B为回归截距。
本实施例中，将基于所述目标碳排放历史数据与所述待预测时间确定同比数据带入X中，即可获得Y(待预测时间下的待预测碳排放量)。
在具体实现中，设置拟合直线为y＝kx+b，拟合直线的斜率(回归斜率A)为在计算出斜率之后，根据/>和已确定的斜率k，利用待定系数法求出回归截距B，其中，/>为上述目标碳排放历史数据的平均值，/>为目标碳排放数据差值的平均值。
进一步地，考虑到，在本实施例中，上述步骤S310包括：
步骤S311：基于所述目标碳排放历史数据进行处理获得目标碳排放数据差值。
需要说明的是，上述目标碳排放数据差值可以是将目标碳排放历史数据与目标碳排放历史数据平均值之间的差值，具体的，基于上述实施例，目标碳排放数据差值为2022年各月份的数据目标碳排放历史数据的平均值(即)。
步骤S312：利用最小二乘法对所述目标碳排放数据差值与所述连续碳排放历史数据进行处理，确定回归系数。
进一步地，考虑到，在本实施例中，上述步骤S20包括：
步骤S210：根据时间顺序依次判断所述碳排放历史数据是否缺失。
步骤S220：若当前碳排放历史数据缺失，则将所述当前碳排放历史数据的前一个碳排放历史数据与后一个碳排放历史数据求平均值，将所述平均值作为当前碳排放历史数据。
在具体实现中，由于存在数据缺失的情况，可能只存在2022年1月、2月、3月、8月、10月、11月和12月的数据，即需要补充4月、5月、6月、7月和9月的数据，根据时间顺序，从1月开始进行遍历，判断当前月份是否存在有效数据，若不存在，即当前碳排放历史数据缺失，则找到当前碳排放历史数据的前一个碳排放历史数据，与当前碳排放历史数据的后一个碳排放历史数据，具体地，当遍历至4月时，判断4月碳排放历史数据缺失，即找到4月前一个碳排放历史数据为3月X3，找到4月后一个碳排放历史数据为8月X8，并将所述X3和所述X8求平均值，将所述平均值作为4月的碳排放历史数据，同理在遍历至5月时，判断5月的碳排放历史数据也缺失，即找到5月的前一个碳排放历史数据为4月X4，找到5月后一个碳排放历史数据为8月X8，并将所述X4和所述X8求平均值，将所述平均值作为5月的碳排放历史数据。
本实施例利用最小二乘法对目标碳排放历史数据进行处理可以得到回归系数，其中回归系数包括回归斜率和回归截距，进而获得回归分析函数，能够基于样本数据来拟合最佳回归模型，并且考虑到误差的最小化。对目标碳排放历史数据进行处理，计算得到连续时间点之间的差值，可以通过目标碳排放历史数据与目标碳排放历史数据平均值相减来实现，得到差值序列，将得到的目标碳排放数据差值作为因变量，连续碳排放历史数据作为自变量，使用最小二乘法拟合进行线性拟合，得到回归系数，由于考虑了碳排放历史数据的差值，更能反映变化趋势。通过逐个检查碳排放历史数据是否缺失，可以确保数据的完整性。缺失的数据会对分析和预测产生不利影响，因此及时补充缺失数据十分重要，采用将前一个和后一个碳排放数据的平均值来替代缺失数据，可以保持数据的趋势关系，通过平均值，可以更准确地估计缺失值可能处于的范围，并且保证了数据的连续性，确保数据的准确性和完整性。
参考图4，图4为本发明碳排放量预测方法第三实施例的流程示意图。
基于上述各实施例，为了提高数据质量，本实施例中，所述步骤S10包括：
步骤S11：对所述碳排放历史数据进行预处理，获得有效碳排放历史数据。
需要说明的是，由于数据中存在错误，故将所述碳排放历史数据中存在错误的数据进行删除，上述有效碳排放历史数据即为删除后的碳排放历史数据。
步骤S12：对所述有效碳排放历史数据进行数据补充获得目标碳排放历史数据。
相应地，对删除后的碳排放历史数据进行数据补充，以便根据不存在错误的数据进行补充获得较为正确的补充数据。
进一步地，考虑到如果目标碳排放历史数据中不存在待预测时间的同比数据，则预测模型可能会失效，不再适用于预测未来的碳排放，在本实施例中，上述步骤S20包括：
步骤S21：若所述目标碳排放历史数据中不存在待预测时间的同比数据，则预测失效。
在本实施例中，如果待预测时间的同比数据缺失，可能会影响模型的预测结果和准确性，具体地，待预测2023年6月份下的待预测碳排放量，若所述目标碳排放历史数据中不存在2022年6月的数据，即2022年只存在2022年6月之前的数据，不存在2022年6月之后的数据，则本次预测失效。
进一步地，在本实施例中，所述步骤S50步骤之后，还包括：
步骤S51：若所述待预测碳排放量大于预设排放阈值，则反馈预警信息。
在具体实现中，预警信息可以及早地向相关利益相关者传达碳排放量超过预设阈值的情况，使其能够及时采取措施来减少碳排放。这可以帮助规划者、政策制定者和企业管理者制定相应的策略和行动计划，以实现减排目标。
本实施例通过对碳排放历史数据进行预处理，可以过滤掉错误数据，提高数据质量，进而提高分析和预测结果的准确性。通过判断所述目标碳排放历史数据中是否存在待预测时间的同比数据，判断本次预测的有效性，进而提高预测有效性。通过预警信息提醒管理人员注意碳排放量的增长趋势，进而促使各方采取行动来减少碳排放，有助于促进可持续环境发展，并对气候变化产生积极的影响。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有碳排放量预测程序，所述碳排放量预测程序被处理器执行时实现如上文所述的碳排放量预测方法的步骤。
参照图5，图5为本发明碳排放量预测装置第一实施例的结构框图。
如图5所示，本发明实施例提出的碳排放量预测装置包括：
数据获取模块100，用于获取碳排放历史数据与待预测时间；
数据补充模块200，用于对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；
回归分析模块300，用于根据所述目标碳排放历史数据获得回归分析函数；
数据同比模块400，用于基于所述目标碳排放历史数据与所述待预测时间确定同比数据；
数据预测模块500，用于通过所述回归分析函数与所述同比数据获得待预测碳排放量。
本实施例的碳排放量预测装置通过获取碳排放历史数据与待预测时间；对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；根据所述目标碳排放历史数据获得回归分析函数；基于所述目标碳排放历史数据与所述待预测时间确定同比数据；通过所述回归分析函数与所述同比数据获得待预测碳排放量。由于本实施例通过对碳排放历史数据进行数据补充获得目标碳排放历史数据，基于所述目标碳排放历史数据与待预测时间确定待预测碳排放量，从而解决了由于存在数据缺失的情况，仅能实现短期预测，且预测数据准确度较低的技术问题，进而提高了检测效果。
本发明碳排放量预测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种碳排放量预测方法，其特征在于，所述方法包括：
获取碳排放历史数据与待预测时间；
对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；
根据所述目标碳排放历史数据获得回归分析函数；
基于所述目标碳排放历史数据与所述待预测时间确定同比数据；
通过所述回归分析函数与所述同比数据获得待预测碳排放量。
2.如权利要求1所述碳排放量预测方法，其特征在于，所述根据所述目标碳排放历史数据获得回归分析函数的步骤，包括：
利用最小二乘法对所述目标碳排放历史数据进行处理获得回归系数，所述回归系数包括回归斜率和回归截距；
将所述回归系数带入预设回归公式获得回归分析函数；
其中，所述预设回归公式为：
Y＝X(1+A)+B；
式中，Y为待预测时间下的待预测碳排放量，X为待预测时间的同比数据，A为回归斜率，B为回归截距。
3.如权利要求2所述碳排放量预测方法，其特征在于，所述利用最小二乘法对所述目标碳排放历史数据进行处理获得回归系数的步骤，包括：
基于所述目标碳排放历史数据进行处理获得目标碳排放数据差值；
利用最小二乘法对所述目标碳排放数据差值与所述目标碳排放历史数据进行处理，确定回归系数。
4.如权利要求1所述碳排放量预测方法，其特征在于，所述获取碳排放历史数据与待预测时间的步骤之后，包括：
对所述碳排放历史数据进行预处理，获得有效碳排放历史数据；
所述对所述碳排放历史数据进行数据补充获得目标碳排放历史数据的步骤，包括：
对所述有效碳排放历史数据进行数据补充获得目标碳排放历史数据。
5.如权利要求1所述碳排放量预测方法，其特征在于，所述对所述碳排放历史数据进行数据补充获得目标碳排放历史数据的步骤，包括：
根据时间顺序依次判断所述碳排放历史数据是否缺失；
若当前碳排放历史数据缺失，则将所述当前碳排放历史数据的前一个碳排放历史数据与后一个碳排放历史数据求平均值，将所述平均值作为当前碳排放历史数据。
6.如权利要求1所述碳排放量预测方法，其特征在于，所述对所述碳排放历史数据进行数据补充获得目标碳排放历史数据的步骤之后，包括：
若所述目标碳排放历史数据中不存在待预测时间的同比数据，则预测失效。
7.如权利要求1所述碳排放量预测方法，其特征在于，所述通过所述回归分析函数与所述同比数据获得待预测碳排放量的步骤之后，还包括：
若所述待预测碳排放量大于预设排放阈值，则反馈预警信息。
8.一种碳排放量预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取碳排放历史数据与待预测时间；
数据补充模块，用于对所述碳排放历史数据进行数据补充获得目标碳排放历史数据；
回归分析模块，用于根据所述目标碳排放历史数据获得回归分析函数；
数据同比模块，用于基于所述目标碳排放历史数据与所述待预测时间确定同比数据；
数据预测模块，用于通过所述回归分析函数与所述同比数据获得待预测碳排放量。
9.一种碳排放量预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的碳排放量预测程序，所述碳排放量预测程序配置为实现如权利要求1至7中任一项所述的碳排放量预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有碳排放量预测程序，所述碳排放量预测程序被处理器执行时实现如权利要求1至7任一项所述的碳排放量预测方法的步骤。
CN202311705386.1A 2023-12-12 2023-12-12 碳排放量预测方法、装置、设备及存储介质 Pending CN117709528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311705386.1A CN117709528A (zh) 2023-12-12 2023-12-12 碳排放量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311705386.1A CN117709528A (zh) 2023-12-12 2023-12-12 碳排放量预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117709528A true CN117709528A (zh) 2024-03-15

Family

ID=90154643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311705386.1A Pending CN117709528A (zh) 2023-12-12 2023-12-12 碳排放量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117709528A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993620A (zh) * 2024-04-03 2024-05-07 中国建材检验认证集团湖南有限公司 一种双碳管理方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993620A (zh) * 2024-04-03 2024-05-07 中国建材检验认证集团湖南有限公司 一种双碳管理方法及系统

Similar Documents

Publication Publication Date Title
CN117709528A (zh) 碳排放量预测方法、装置、设备及存储介质
Yip et al. Group and individual heterogeneity in a stochastic frontier model: Container terminal operators
CN110443698A (zh) 信用评估装置和信用评估系统
Glasserman et al. Forward and future implied volatility
CN113099476A (zh) 网络质量检测方法、装置、设备及存储介质
CN114298547A (zh) 用户忠诚度的评分方法、装置、设备及可读存储介质
CN110991761B (zh) 一种供热负荷预测方法及装置
CN118358264A (zh) 基于互联网的干式激光胶片打印质量控制方法及系统
CN114186815A (zh) 一种成本预警方法、装置和设备
CN111754261B (zh) 一种车辆出租意愿的评估方法、装置及终端设备
CN115114124A (zh) 主机风险的评估方法及评估装置
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
Farzadmehr et al. Designing a survey framework to collect port stakeholders’ insight regarding AI implementation: results from the Flemish context
Efimova et al. Elimination of losses in information services based on approaches of IT-service management
US20220327450A1 (en) Method for increasing or decreasing number of workers and inspectors in crowdsourcing-based project for creating artificial intelligence learning data
CN114997310A (zh) 一种环保监测数据处理方法及系统
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
CN114219616A (zh) 业务处理方法、装置及存储介质
CN113537577A (zh) 收入预测方法、系统、电子设备和计算机可读存储介质
CN111722977A (zh) 系统巡检方法、装置及电子设备
CN118195669B (zh) 基于标识解析的应用于食品饮料的成本数据核算方法
CN112541514A (zh) 事件发布方法、服务器、终端及存储介质
CN116151670B (zh) 一种投行业务上市项目质量的智能评估方法、系统及介质
CN117993879B (zh) 一种基于机器学习模型对考勤异常的预测及处理方法
CN117788181B (zh) 用于航空客运保险的风险投保行为识别拦截方法及系统

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