CN117787574B - 一种基于人工智能碳脑的降碳影响因素确定方法及系统 - Google Patents
一种基于人工智能碳脑的降碳影响因素确定方法及系统 Download PDFInfo
- Publication number
- CN117787574B CN117787574B CN202410211412.3A CN202410211412A CN117787574B CN 117787574 B CN117787574 B CN 117787574B CN 202410211412 A CN202410211412 A CN 202410211412A CN 117787574 B CN117787574 B CN 117787574B
- Authority
- CN
- China
- Prior art keywords
- influence
- sub
- carbon
- carbon emission
- matrix
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 279
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 276
- 238000000034 method Methods 0.000 title claims abstract description 109
- 210000004556 brain Anatomy 0.000 title claims abstract description 47
- 230000009467 reduction Effects 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000011946 reduction process Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 106
- 230000008569 process Effects 0.000 claims description 45
- 238000012163 sequencing technique Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于人工智能碳脑的降碳影响因素确定方法及系统，所述方法包括将预设区域进行区域分解，获取每个子区域的碳排放效率数据；计算每个子区域的碳排放效率值；确定子区域之间的影响程度，并基于影响程度将子区域进行排序处理；获取子区域的初始影响因素集，对初始影响因素集进行抽取排序处理；选取前若干个子区域作为重点子区域，在每个重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对重点影响因素进行重点管控，以实现降碳过程，本发明通过确定子区域之间、影响因素之间的碳排放影响程度进而对区域、影响因素进行排序，以此可提升节能降碳的效果。
Description
技术领域
本发明属于节能降碳的技术领域，具体地涉及一种基于人工智能碳脑的降碳影响因素确定方法及系统。
背景技术
碳排放是关于温室气体排放的一个总称或简称，温室气体中最主要的气体是二氧化碳，因此用碳一词作为代表，也可简单地将碳排放理解为二氧化碳排放，目前如何通过节能减污的技术来减少工厂和企业的碳排放量，是较为热门的环保话题。
对于大型区域的节能降碳而言，通常需要找到直接影响碳排放量的影响因素，并对影响因素进行重点把控，已实现大型区域的降碳过程，但在现有技术中，通常通过结构分解法确定每个影响因素对于碳排放量的贡献量进而确定重要的影响因素，其耗时较长且影响因素的确定不够精准，同时忽略了区域与区域之间的碳排放影响以及同一区域中每个影响因素之间的碳排放影响，进而容易导致在进行降碳管控时，节能降碳效果不明显。
发明内容
为了解决上述技术问题，本发明提供了一种基于人工智能碳脑的降碳影响因素确定方法及系统，用于解决现有技术中的技术问题。
一方面，本发明提供以下技术方案，一种基于人工智能碳脑的降碳影响因素确定方法，包括：
将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程。
相比现有技术，本申请的有益效果为：本申请首先将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；之后基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；然后基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；而后基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；最后基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程，本发明通过对区域之间的碳排放影响进行分析，并基于相互影响程度对子区域进行排序，之后通过对单个子区域中的各个影响因素进行相互影响分析并对影响因素进行排序，使得在后续降碳处理过程中可将排序中的前几个子区域的前几个影响因素进行重点管控，以此可提升节能降碳的效果，同时本发明可快速且准确的提取出对降碳影响最大的区域与因素，提升降碳效果。
较佳的，所述基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值的步骤包括：
基于每个所述子区域的碳排放效率数据对每个所述子区域进行效率值计算，以得到初始效率值：
；
式中，分别为子区域中碳排放期望产出、碳排放非期望产出的数量，/>、分别为子区域中第/>个碳排放期望产出值、碳排放非期望产出值，/>、/>分别为子区域中第/>个碳排放期望产出、碳排放非期望产出的松弛变量，/>为子区域中碳排放投入的数量，/>为子区域中第/>个碳排放投入的投入值，/>为第/>个碳排放投入的投入冗余；
计算第个碳排放投入的松弛变量/>：
；
式中，为环境系数，/>为环境变量，/>、/>分别为干扰项、无效项；
计算第个碳排放投入的第一碳排放误差值/>：
；
式中，为权重向量，/>、/>分别为干扰项、无效项的方差，/>、/>分别为密度函数、分布函数；
基于所述第一碳排放误差值对第/>个碳排放投入的投入值/>进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值。
较佳的，所述基于所述第一碳排放误差值对第/>个碳排放投入的投入值/>进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值的步骤包括：
基于所述第一碳排放误差值计算第/>个碳排放投入的第二碳排放误差值：
；
基于所述第二碳排放误差值计算更新碳排放投入值/>：
；
式中，为环境变量/>的估计值；
将更新碳排放投入值替换第/>个碳排放投入的投入值/>，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值。
较佳的，所述基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组的步骤包括：
计算任意两个所述子区域之间的第一影响度：
；
式中，为子区域的数量，/>为空间权重，/>为第/>个子区域与第/>个子区域之间的距离，/>为第/>个子区域、第/>个子区域的碳排放效率值；
计算任意两个所述子区域之间的第二影响度：
；
式中，、/>分别为第/>个子区域、第/>个子区域的常住人口数量，/>、/>分别为第/>个子区域、第/>个子区域的GDP值，/>为第/>个子区域与第/>个子区域之间的交通距离，/>为距离衰减系数；
基于所述第一影响度与所述第二影响度/>对所述子区域进行排序处理，以得到子区域排序组。
较佳的，所述基于所述第一影响度与所述第二影响度/>对所述子区域进行排序处理，以得到子区域排序组的步骤包括：
任意抽取一子区域作为基准子区域并将其余子区域作为所述基准子区域的关联区域集；
判断所述基准子区域与所述关联区域集中所有子区域之间的第一影响度是否趋近于0，若第一影响度/>是否趋近于0，则将对应的子区域从所述关联区域集中剔除，以得到第一剔除区域集；
判断所述基准子区域与所述关联区域集中所有子区域之间的第二影响度是否大于判断阈值，若第二影响度/>不大于判断阈值，则将对应的子区域从所述关联区域集中剔除，以得到第二剔除区域集；
取所述第一剔除区域集与所述第二剔除区域集的交集作为基准区域集，并根据所述基准区域集中子集的数量将所有所述基准子区域从大至小依次排序，以得到子区域排序组。
较佳的，所述对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
从历史影响数据库中提取初始影响因素集中任意两个初始影响因素之间的影响评分，并基于影响评分确定初始影响矩阵：
式中，为初始影响矩阵中第/>行第/>列的元素，具体为第/>个初始影响因素与第/>个初始影响因素之间的影响评分；
对所述初始影响矩阵进行规范化与转化处理，以得到综合影响矩阵/>：
；
；
式中，为规范化矩阵，/>为/>的逆矩阵，/>为初始影响矩阵中第/>行第/>列的元素，/>，/>；
将综合影响矩阵与单位矩阵/>相加，以得到模糊矩阵，根据最大最小算子由模糊矩阵持续连乘直至矩阵值不变，以得到可达矩阵；
基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组。
较佳的，所述基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
基于所述可达矩阵与转化阈值确定集合矩阵/>：
；
式中，、/>分别为集合矩阵、可达矩阵中第/>行第/>列的元素；
将所述集合矩阵中行为1的元素构成第一集合，将所述集合矩阵/>中列为1的元素构成第二集合，取所述第一集合与所述第二集合的交集作为第三集合；
若所述第一集合与所述第三集合相同，则挑选对应的初始影响因素作为第一梯度放入待定影响因素排序组；
在所述集合矩阵中将第一梯度对应的初始影响因素剔除并重新确定集合矩阵/>、第一集合、第二集合与第三集合，并重复执行初始影响因素的挑选过程，直至初始影响因素集中的所有初始影响因素挑选完毕，以得到含有若干梯度的初始影响因素的待定影响因素排序组，按照梯度从小至大依次将对应的初始影响因素存入影响因素排序组。
第二方面，本发明提供以下技术方案，一种基于人工智能碳脑的降碳影响因素确定系统，所述系统包括：
分解模块，用于将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
计算模块，用于基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
第一排序模块，用于基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
第二排序模块，用于基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
降碳模块，用于基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程。
第三方面，该发明提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于人工智能碳脑的降碳影响因素确定方法。
第四方面，该发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于人工智能碳脑的降碳影响因素确定方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于人工智能碳脑的降碳影响因素确定方法的流程图；
图2为本发明实施例二提供的基于人工智能碳脑的降碳影响因素确定系统的结构框图；
图3为本发明另一实施例提供的计算机的硬件结构示意图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明的实施例，而不能理解为对本发明的限制。
在本发明实施例的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
实施例一
在本发明的实施例一中，如图1所示，一种基于人工智能碳脑的降碳影响因素确定方法，包括：
S1、将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
具体的，对于一个预设区域而言可根据其区域类型对整个大的预设区域进行区域分解，进而得到若干子区域，当预设区域为全国时，若干子区域可为若干省份，当预设区域为一个省份时，若干子区域可为若干市，当预设区域为一个市时，若干子区域可为若干区，而对于若干子区域的碳排放效率数据而言，可通过人工智能碳脑进行获取，人工智能碳脑可获取碳数据并进行辅助决策分析，本发明所提供的降碳影响因素确定方法是基于人工智能碳脑实施的；
同时，在本实施例中，人工智能碳脑即为现有技术中的双碳大脑，双碳大脑大致包括采集层、管理层、平台层与应用层，采集层应用于采集基本数据，管理层用于对基本数据进行管理与初步处理，平台层中搭载有处理算法以对数据进行基本处理，应用层用于对降碳行为进行预测、监管、决策与运营等，该步骤中的碳排放效率数据可通过采集层中集成的数据抓取网关、数据采集网关等设备获取得到。
S2、基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
其中，所述步骤S2包括：
S21、基于每个所述子区域的碳排放效率数据对每个所述子区域进行效率值计算，以得到初始效率值：
；
式中，分别为子区域中碳排放期望产出、碳排放非期望产出的数量，/>、分别为子区域中第/>个碳排放期望产出值、碳排放非期望产出值，/>、/>分别为子区域中第/>个碳排放期望产出、碳排放非期望产出的松弛变量，/>为子区域中碳排放投入的数量，/>为子区域中第/>个碳排放投入的投入值，/>为第/>个碳排放投入的投入冗余；
具体的，对于碳排放效率值而言，不能仅仅关注于碳排放量，而应该根据其经济效益所带来的产出与碳排放量之间的关系，而碳排放的效率值可反应上述关系，其中上述公式中的参数均包括在碳排放效率数据中，其中的，对于一个子区域而言，通过碳排放的投入可带来一定的产出，而预期中的产出即为预期产出，意外之中的产出即为非期望产出，且对应于一个子区域而言，其存在个投入、/>个碳排放期望产出、/>个碳排放非期望产出，、/>则分别为碳排放期望产出的具体值、碳排放非期望产出的具体值，/>、/>分别为子区域中第/>个碳排放期望产出、碳排放非期望产出的松弛变量，松弛变量可通过将投入、碳排放期望产出、碳排放非期望产出共同输入DEA 模型中得到。
S22、计算第个碳排放投入的松弛变量/>：
；
式中，为环境系数，/>为环境变量，/>、/>分别为干扰项、无效项；
具体的，此处的干扰项具体为随机干扰项，无效项具体为管理无效项，且、/>均满足正态分布同时相互独立不相关，同时为了有效排除外界环境与随机因素的影响，需要引入干扰项、无效项、环境变量对松弛变量以及投入值进行数据调整。
S23、计算第个碳排放投入的第一碳排放误差值/>：
；
式中，为权重向量，/>、/>分别为干扰项、无效项的方差，/>、/>分别为密度函数、分布函数；
具体的，、/>具体指标准正态分布的密度函数、分布函数。
S24、基于所述第一碳排放误差值对第/>个碳排放投入的投入值/>进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值；
其中，所述步骤S24包括：
S241、基于所述第一碳排放误差值计算第/>个碳排放投入的第二碳排放误差值/>：
。
S242、基于所述第二碳排放误差值计算更新碳排放投入值/>：
；
式中，为环境变量/>的估计值；
具体的，此处的更新碳排放投入值为调整之后的投入值，用于调整外部影响因素，以保证每个投入所处的外界环境一致，/>用于调整随机干扰、无效项，以保证每个投入的噪声一致。
S243、将更新碳排放投入值替换第/>个碳排放投入的投入值/>，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值；
具体的，当计算得到更新碳排放投入值之后将其替换/>，将其代入到的公式中，以此得到碳排放效率值/>，其中，/>为：
。
S3、基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
其中，所述步骤S3包括：
S31、计算任意两个所述子区域之间的第一影响度：
；
式中，为子区域的数量，/>为空间权重，/>为第/>个子区域与第/>个子区域之间的距离，/>为第/>个子区域、第/>个子区域的碳排放效率值；
具体的，第一影响度可用于度量两个子区域之间的空间相关度，且对于空间权重/>而言，当两个子区域相邻时，则/>，当两个子区域不相邻时，则/>。
S32、计算任意两个所述子区域之间的第二影响度：
；
式中，、/>分别为第/>个子区域、第/>个子区域的常住人口数量，/>、/>分别为第/>个子区域、第/>个子区域的GDP值，/>为第/>个子区域与第/>个子区域之间的交通距离，/>为距离衰减系数；
具体的，第二影响度可用于度量两个子区域之间的空间关联强度，通过碳排放效率值、GDP、人口数量进行综合判断两个子区域之间的空间关联程度，且/>表示第/>个子区域与第/>个子区域之间的交通距离，该交通距离可指铁路距离、公路距离，但在实际情况下，该交通距离指第/>个子区域与第/>个子区域之间的最短公路距离，且在本实施例中，距离衰减系数/>。
S33、基于所述第一影响度与所述第二影响度/>对所述子区域进行排序处理，以得到子区域排序组；
其中，所述步骤S33包括：
S331、任意抽取一子区域作为基准子区域并将其余子区域作为所述基准子区域的关联区域集；
具体的，假设存在个子区域，且每个子区域均可作为基准子区域，因此对于每个基准子区域而言，关联区域集中存在/>个子区域，当第一个子区域为基准子区域时，其对应的关联区域集则为/>，当第二个子区域为基准子区域时，其对应的关联区域集则为/>，当第/>个子区域为基准子区域时，其对应的关联区域集则为/>，当第/>个子区域为基准子区域时，其对应的关联区域集则为/>，其中，/>表示第个子区域，/>。
S332、判断所述基准子区域与所述关联区域集中所有子区域之间的第一影响度是否趋近于0，若第一影响度/>是否趋近于0，则将对应的子区域从所述关联区域集中剔除，以得到第一剔除区域集；
具体的，之后计算基准子区域与关联区域集中的每个子区域的第一影响度，当两个子区域之间的第一影响度/>比0更大时，则表示两个子区域之间存在正相关的关系，即一个子区域的碳排放增长会带动另一个子区域的碳排放增长，当两个子区域之间的第一影响度/>比0更小时，则表示两个子区域之间存在负相关的关系，即一个子区域的碳排放增长会带动另一个子区域的碳排放降低，而当两个子区域之间的第一影响度/>趋近于0时，则表明两个子区域之间不存在关联关系，因此需要将第一影响度/>趋近于0时则将对应子区域从基准子区域的关联区域集中剔除，即可得到第一剔除区域集。
S333、判断所述基准子区域与所述关联区域集中所有子区域之间的第二影响度是否大于判断阈值，若第二影响度/>不大于判断阈值，则将对应的子区域从所述关联区域集中剔除，以得到第二剔除区域集；
具体的，对于计算得到的第二影响度而言，可基于所述基准子区域与所述关联区域集中所有子区域之间的关系构建一个/>的矩阵，对于矩阵对角线上值可用0代替，此处的判断阈值则为矩阵中每一行数据的平均值，当第二影响度/>不大于判断阈值时，则表明两个子区域之间不存在空间关联关系，当第二影响度/>大于判断阈值时，则表明两个子区域之间存在空间关联关系，之后将不存在空间关联关系对应子区域从基准子区域的关联区域集中剔除，即可得到第二剔除区域集。
S334、取所述第一剔除区域集与所述第二剔除区域集的交集作为基准区域集，并根据所述基准区域集中子集的数量将所有所述基准子区域从大至小依次排序，以得到子区域排序组；
具体的，通过选取第一剔除区域集与第二剔除区域集之间的交集，即可得到基准区域集，且每个基准子区域均存在对应的基准区域集，基准区域集则表示与基准子区域存在碳排放影响关系的子区域数量，之后根据所述基准区域集中子集的数量将所有所述基准子区域从大至小依次排序，以得到子区域排序组，排在越前的子区域则表明其影响程度越大、对碳排放的影响越大。
S4、基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
具体的，该步骤中的初始影响因素集可通过双碳大脑中的采集层获取得到。
其中，所述步骤S4包括：
S41、从历史影响数据库中提取初始影响因素集中任意两个初始影响因素之间的影响评分，并基于影响评分确定初始影响矩阵：
式中，为初始影响矩阵中第/>行第/>列的元素，具体为第/>个初始影响因素与第/>个初始影响因素之间的影响评分；
具体的，此处的影响评分可在历史评分数据库中提取，也可通过调查问卷的方式采集不同领域的专业人士对于每个影响因素对其他影响因素的评分，之后将评分进行累加即可得到影响评分，且评分可为0-10分，0分表示无影响，10分表示十分大影响，1-3表示较小影响、4-6表示一般影响，7-9表示较大影响，且对于初始影响矩阵中的对角元素/>、、/>而言，其值均为0，且/>。
S42、对所述初始影响矩阵进行规范化与转化处理，以得到综合影响矩阵/>：
；
；
式中，为规范化矩阵，/>为/>的逆矩阵，/>为初始影响矩阵中第/>行第/>列的元素，/>，/>。
S43、将综合影响矩阵与单位矩阵/>相加，以得到模糊矩阵，根据最大最小算子由模糊矩阵持续连乘直至矩阵值不变，以得到可达矩阵；
具体的，此处的最大最小算法具体为差的算子，步骤S43具体为模糊相乘矩阵、模糊可达矩阵计算过程。
S44、基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
其中，所述步骤S44包括：
S441、基于所述可达矩阵与转化阈值确定集合矩阵/>：
；
式中，、/>分别为集合矩阵、可达矩阵中第/>行第/>列的元素；
具体的，转化阈值为0.145，且集合矩阵具体为截矩阵。
S442、将所述集合矩阵中行为1的元素构成第一集合，将所述集合矩阵/>中列为1的元素构成第二集合，取所述第一集合与所述第二集合的交集作为第三集合。
S443、若所述第一集合与所述第三集合相同，则挑选对应的初始影响因素作为第一梯度放入待定影响因素排序组。
S444、在所述集合矩阵中将第一梯度对应的初始影响因素剔除并重新确定集合矩阵/>、第一集合、第二集合与第三集合，并重复执行初始影响因素的挑选过程，直至初始影响因素集中的所有初始影响因素挑选完毕，以得到含有若干梯度的初始影响因素的待定影响因素排序组，按照梯度从小至大依次将对应的初始影响因素存入影响因素排序组；
具体的，假设存在20个初始影响因素，且假设存在两个初始影响因素对应的第一集合与第三集合相同，则将上述两个初始影响因素排在待定影响因素排序组中的前两个位置，之后将上述两个初始影响因素对应的行列元素从集合矩阵中进行剔除，此处集合矩阵变为一个18×18的矩阵，之后重新确定第一集合、第二集合、第三集合，并重复循环执行步骤S443-步骤S444的过程，直至全部的初始影响因素挑选完毕，且将第一次挑选的初始影响因素作为第一梯度的影响因素，第二次挑选的初始影响因素作为第二梯度的影响因素，第X次挑选的初始影响因素作为第X梯度的影响因素，之后按照梯度从小至大的关系依次存入影响因素排序组中；
在影响因素排序组中，排在越前的初始影响因素则表明该影响因素对于该子区域的碳排放的影响程度越大。
S5、基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程；
具体的，在确定子区域排序组与影响因素排序组之后，按照20%的比例选取在子区域排序组中排名前20%的子区域（向上取整），将选取出的子区作为重点子区域，在后续的降碳过程中，对重点子区域进行大力管控降碳处理，且在确定了重点子区域之后，便可确定重点子区域对应的影响因素排序组，同样的在影响因素排序组中排名前20%的初始影响因素（向上取整），将其作为重点影响因素，对重点子区域的重点影响因素进行增大降碳管控的力度，对于其他子区域或者重点子区域的其他初始影响因素可适当降低降碳管控的力度。
本发明实施例一提供的基于人工智能碳脑的降碳影响因素确定方法，首先将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；之后基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；然后基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；而后基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；最后基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程，本发明通过对区域之间的碳排放影响进行分析，并基于相互影响程度对子区域进行排序，之后通过对单个子区域中的各个影响因素进行相互影响分析并对影响因素进行排序，使得在后续降碳处理过程中可将排序中的前几个子区域的前几个影响因素进行重点管控，以此可提升节能降碳的效果，同时本发明可快速且准确的提取出对降碳影响最大的区域与因素，提升降碳效果。
实施例二
如图2所示，在本发明的实施例二提供了一种基于人工智能碳脑的降碳影响因素确定系统，所述系统包括：
分解模块1，用于将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
计算模块2，用于基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
第一排序模块3，用于基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
第二排序模块4，用于基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
降碳模块5，用于基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程。
所述计算模块2包括：
第一计算子模块，用于基于每个所述子区域的碳排放效率数据对每个所述子区域进行效率值计算，以得到初始效率值：
；
式中，分别为子区域中碳排放期望产出、碳排放非期望产出的数量，/>、分别为子区域中第/>个碳排放期望产出值、碳排放非期望产出值，/>、/>分别为子区域中第/>个碳排放期望产出、碳排放非期望产出的松弛变量，/>为子区域中碳排放投入的数量，/>为子区域中第/>个碳排放投入的投入值，/>为第/>个碳排放投入的投入冗余；
第二计算子模块，用于计算第个碳排放投入的松弛变量/>：
；/>
式中，为环境系数，/>为环境变量，/>、/>分别为干扰项、无效项；
第三计算子模块，用于计算第个碳排放投入的第一碳排放误差值/>：
；
式中，为权重向量，/>、/>分别为干扰项、无效项的方差，/>、/>分别为密度函数、分布函数；
更新子模块，用于基于所述第一碳排放误差值对第/>个碳排放投入的投入值进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值。
所述更新子模块包括：
第一计算单元，用于基于所述第一碳排放误差值计算第/>个碳排放投入的第二碳排放误差值/>：
；
第二计算单元，用于基于所述第二碳排放误差值计算更新碳排放投入值/>：
；
式中，为环境变量/>的估计值；
更新单元，用于将更新碳排放投入值替换第/>个碳排放投入的投入值/>，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值。
所述第一排序模块3包括：
第一影响度计算子模块，用于计算任意两个所述子区域之间的第一影响度：
；
式中，为子区域的数量，/>为空间权重，/>为第/>个子区域与第/>个子区域之间的距离，/>为第/>个子区域、第/>个子区域的碳排放效率值；
第二影响度计算子模块，用于计算任意两个所述子区域之间的第二影响度：
；
式中，、/>分别为第/>个子区域、第/>个子区域的常住人口数量，/>、/>分别为第/>个子区域、第/>个子区域的GDP值，/>为第/>个子区域与第/>个子区域之间的交通距离，/>为距离衰减系数；
第一排序子模块，用于基于所述第一影响度与所述第二影响度/>对所述子区域进行排序处理，以得到子区域排序组。
所述第一排序子模块包括：
关联区域集确定单元，用于任意抽取一子区域作为基准子区域并将其余子区域作为所述基准子区域的关联区域集；
第一判断单元，用于判断所述基准子区域与所述关联区域集中所有子区域之间的第一影响度是否趋近于0，若第一影响度/>是否趋近于0，则将对应的子区域从所述关联区域集中剔除，以得到第一剔除区域集；
第二判断单元，用于判断所述基准子区域与所述关联区域集中所有子区域之间的第二影响度是否大于判断阈值，若第二影响度/>不大于判断阈值，则将对应的子区域从所述关联区域集中剔除，以得到第二剔除区域集；
第一排序单元，用于取所述第一剔除区域集与所述第二剔除区域集的交集作为基准区域集，并根据所述基准区域集中子集的数量将所有所述基准子区域从大至小依次排序，以得到子区域排序组。
第二排序模块4包括：
第一矩阵确定子模块，用于从历史影响数据库中提取初始影响因素集中任意两个初始影响因素之间的影响评分，并基于影响评分确定初始影响矩阵：
式中，为初始影响矩阵中第/>行第/>列的元素，具体为第/>个初始影响因素与第/>个初始影响因素之间的影响评分；
第二矩阵确定子模块，用于对所述初始影响矩阵进行规范化与转化处理，以得到综合影响矩阵/>：
；
；
式中，为规范化矩阵，/>为/>的逆矩阵，/>为初始影响矩阵中第/>行第/>列的元素，/>，/>；
第三矩阵确定子模块，用于将综合影响矩阵与单位矩阵/>相加，以得到模糊矩阵，根据最大最小算子由模糊矩阵持续连乘直至矩阵值不变，以得到可达矩阵；
第二排序子模块，用于基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组。
所述第二排序子模块包括：
集合矩阵确定单元，用于基于所述可达矩阵与转化阈值确定集合矩阵/>：/>
；
式中，、/>分别为集合矩阵、可达矩阵中第/>行第/>列的元素；
集合确定单元，用于将所述集合矩阵中行为1的元素构成第一集合，将所述集合矩阵/>中列为1的元素构成第二集合，取所述第一集合与所述第二集合的交集作为第三集合；
因素梯度确定单元，用于若所述第一集合与所述第三集合相同，则挑选对应的初始影响因素作为第一梯度放入待定影响因素排序组；
第二排序单元，用于在所述集合矩阵中将第一梯度对应的初始影响因素剔除并重新确定集合矩阵/>、第一集合、第二集合与第三集合，并重复执行初始影响因素的挑选过程，直至初始影响因素集中的所有初始影响因素挑选完毕，以得到含有若干梯度的初始影响因素的待定影响因素排序组，按照梯度从小至大依次将对应的初始影响因素存入影响因素排序组。
在本发明的另一些实施例中，本发明实施例提供以下技术方案，一种计算机，包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序，所述处理器101执行所述计算机程序时实现如上所述的基于人工智能碳脑的降碳影响因素确定方法。
具体的，上述处理器101可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器102可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（Solid State Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerial Bus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器102可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器102可在数据处理装置的内部或外部。在特定实施例中，存储器102是非易失性（Non-Volatile）存储器。在特定实施例中，存储器102包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（Random Access Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（ErasableProgrammable Read-Only Memory，简称为EPROM）、电可擦除PROM（Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM）、电可改写ROM（ElectricallyAlterable Read-Only Memory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-AccessMemory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器101所执行的可能的计算机程序指令。
处理器101通过读取并执行存储器102中存储的计算机程序指令，以实现上述基于人工智能碳脑的降碳影响因素确定方法。
在其中一些实施例中，计算机还可包括通信接口103和总线100。其中，如图3所示，处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。
通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线100包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线100包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线100可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线100可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机可以基于获取到基于人工智能碳脑的降碳影响因素确定系统，执行本申请的基于人工智能碳脑的降碳影响因素确定方法，从而实现基于人工智能碳脑的降碳影响因素的确定。
在本发明的再一些实施例中，结合上述的基于人工智能碳脑的降碳影响因素确定方法，本发明实施例提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于人工智能碳脑的降碳影响因素确定方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于人工智能碳脑的降碳影响因素确定方法，其特征在于，包括：
将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程；
所述基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值的步骤包括：
基于每个所述子区域的碳排放效率数据对每个所述子区域进行效率值计算，以得到初始效率值：
；
式中，分别为子区域中碳排放期望产出、碳排放非期望产出的数量，/>、/>分别为子区域中第/>个碳排放期望产出值、碳排放非期望产出值，/>、/>分别为子区域中第/>个碳排放期望产出、碳排放非期望产出的松弛变量，/>为子区域中碳排放投入的数量，为子区域中第/>个碳排放投入的投入值，/>为第/>个碳排放投入的投入冗余；
计算第个碳排放投入的松弛变量/>：
；
式中，为环境系数，/>为环境变量，/>、/>分别为干扰项、无效项；
计算第个碳排放投入的第一碳排放误差值/>：
；
式中，为权重向量，/>、/>分别为干扰项、无效项的方差，/>、/>分别为密度函数、分布函数；
基于所述第一碳排放误差值对第/>个碳排放投入的投入值/>进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值；
所述基于所述第一碳排放误差值对第/>个碳排放投入的投入值/>进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值的步骤包括：
基于所述第一碳排放误差值计算第/>个碳排放投入的第二碳排放误差值/>：
；
基于所述第二碳排放误差值计算更新碳排放投入值/>：
；
式中，为环境变量/>的估计值；
将更新碳排放投入值替换第/>个碳排放投入的投入值/>，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值；
所述基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组的步骤包括：
计算任意两个所述子区域之间的第一影响度：
；
式中，为子区域的数量，/>为空间权重，/>为第/>个子区域与第/>个子区域之间的距离，/>为第/>个子区域、第/>个子区域的碳排放效率值；
计算任意两个所述子区域之间的第二影响度：
；
式中，、/>分别为第/>个子区域、第/>个子区域的常住人口数量，/>、/>分别为第个子区域、第/>个子区域的GDP值，/>为第/>个子区域与第/>个子区域之间的交通距离，/>为距离衰减系数；
基于所述第一影响度与所述第二影响度/>对所述子区域进行排序处理，以得到子区域排序组；
所述基于所述第一影响度与所述第二影响度/>对所述子区域进行排序处理，以得到子区域排序组的步骤包括：
任意抽取一子区域作为基准子区域并将其余子区域作为所述基准子区域的关联区域集；
判断所述基准子区域与所述关联区域集中所有子区域之间的第一影响度是否趋近于0，若第一影响度/>趋近于0，则将对应的子区域从所述关联区域集中剔除，以得到第一剔除区域集；
判断所述基准子区域与所述关联区域集中所有子区域之间的第二影响度是否大于判断阈值，若第二影响度/>不大于判断阈值，则将对应的子区域从所述关联区域集中剔除，以得到第二剔除区域集；
取所述第一剔除区域集与所述第二剔除区域集的交集作为基准区域集，并根据所述基准区域集中子集的数量将所有所述基准子区域从大至小依次排序，以得到子区域排序组；
所述对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
从历史影响数据库中提取初始影响因素集中任意两个初始影响因素之间的影响评分，并基于影响评分确定初始影响矩阵：
式中，为初始影响矩阵中第/>行第/>列的元素，具体为第/>个初始影响因素与第/>个初始影响因素之间的影响评分；
对所述初始影响矩阵进行规范化与转化处理，以得到综合影响矩阵/>：
；
；
式中，为规范化矩阵，/>为/>的逆矩阵，/>为初始影响矩阵中第行第/>列的元素，/>，/>；
将综合影响矩阵与单位矩阵/>相加，以得到模糊矩阵，根据最大最小算子由模糊矩阵持续连乘直至矩阵值不变，以得到可达矩阵；
基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
所述基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
基于所述可达矩阵与转化阈值确定集合矩阵/>：
；
式中，、/>分别为集合矩阵、可达矩阵中第/>行第/>列的元素；
将所述集合矩阵中行为1的元素构成第一集合，将所述集合矩阵/>中列为1的元素构成第二集合，取所述第一集合与所述第二集合的交集作为第三集合；
若所述第一集合与所述第三集合相同，则挑选对应的初始影响因素作为第一梯度放入待定影响因素排序组；
在所述集合矩阵中将第一梯度对应的初始影响因素剔除并重新确定集合矩阵/>、第一集合、第二集合与第三集合，并重复执行初始影响因素的挑选过程，直至初始影响因素集中的所有初始影响因素挑选完毕，以得到含有若干梯度的初始影响因素的待定影响因素排序组，按照梯度从小至大依次将对应的初始影响因素存入影响因素排序组。
2.一种基于人工智能碳脑的降碳影响因素确定系统，所述系统采用如权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述系统包括：
分解模块，用于将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
计算模块，用于基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
第一排序模块，用于基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
第二排序模块，用于基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；
降碳模块，用于基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程。
3.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法。
4.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211412.3A CN117787574B (zh) | 2024-02-27 | 2024-02-27 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211412.3A CN117787574B (zh) | 2024-02-27 | 2024-02-27 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787574A CN117787574A (zh) | 2024-03-29 |
| CN117787574B true CN117787574B (zh) | 2024-05-07 |
Family
ID=90396693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410211412.3A Active CN117787574B (zh) | 2024-02-27 | 2024-02-27 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787574B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508849A (zh) * | 2018-08-17 | 2019-03-22 | 西安建筑科技大学 | 一种基于城市统计数据的城市碳排放影响因素分析方法 |
| CN110942247A (zh) * | 2019-11-25 | 2020-03-31 | 国网福建省电力有限公司经济技术研究院 | 一种分析电力碳排放影响因素和碳排放效率的评价方法 |
| CN113111596A (zh) * | 2021-06-16 | 2021-07-13 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
| CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
| CN115145358A (zh) * | 2022-06-13 | 2022-10-04 | 上海华瑞众信技术有限公司 | 一种基于边云协同的碳排放计量一体机 |
| WO2022235415A1 (en) * | 2021-05-07 | 2022-11-10 | The Boston Consulting Group, Inc. | Carbon emissions management system |
| CN116416090A (zh) * | 2023-04-13 | 2023-07-11 | 合肥工业大学 | 火电行业碳排放效率的空间关联网络特征获取方法及系统 |
| CN116882562A (zh) * | 2023-06-29 | 2023-10-13 | 山东电力工程咨询院有限公司 | 一种农业碳排放影响因素分析方法及系统 |
| CN116993041A (zh) * | 2023-04-28 | 2023-11-03 | 国家电网有限公司大数据中心 | 电力碳排放影响因素量化分析方法、系统、设备及终端 |
| CN117273538A (zh) * | 2023-10-10 | 2023-12-22 | 淮阴工学院 | 一种交通碳排放空间网络关联结构分析方法及系统 |
| CN117495640A (zh) * | 2023-11-24 | 2024-02-02 | 南昌师范学院 | 一种区域碳排放量预测方法及系统 |
| CN117493813A (zh) * | 2023-11-29 | 2024-02-02 | 中国科学院地理科学与资源研究所 | 一种城市碳强度的分析方法及相关设备 |
| CN117521912A (zh) * | 2023-11-23 | 2024-02-06 | 国家电网有限公司大数据中心 | 一种碳排放测算模型及对比评价方法及其应用 |
-
2024
- 2024-02-27 CN CN202410211412.3A patent/CN117787574B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508849A (zh) * | 2018-08-17 | 2019-03-22 | 西安建筑科技大学 | 一种基于城市统计数据的城市碳排放影响因素分析方法 |
| CN110942247A (zh) * | 2019-11-25 | 2020-03-31 | 国网福建省电力有限公司经济技术研究院 | 一种分析电力碳排放影响因素和碳排放效率的评价方法 |
| CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
| WO2022235415A1 (en) * | 2021-05-07 | 2022-11-10 | The Boston Consulting Group, Inc. | Carbon emissions management system |
| CN113111596A (zh) * | 2021-06-16 | 2021-07-13 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
| CN115145358A (zh) * | 2022-06-13 | 2022-10-04 | 上海华瑞众信技术有限公司 | 一种基于边云协同的碳排放计量一体机 |
| CN116416090A (zh) * | 2023-04-13 | 2023-07-11 | 合肥工业大学 | 火电行业碳排放效率的空间关联网络特征获取方法及系统 |
| CN116993041A (zh) * | 2023-04-28 | 2023-11-03 | 国家电网有限公司大数据中心 | 电力碳排放影响因素量化分析方法、系统、设备及终端 |
| CN116882562A (zh) * | 2023-06-29 | 2023-10-13 | 山东电力工程咨询院有限公司 | 一种农业碳排放影响因素分析方法及系统 |
| CN117273538A (zh) * | 2023-10-10 | 2023-12-22 | 淮阴工学院 | 一种交通碳排放空间网络关联结构分析方法及系统 |
| CN117521912A (zh) * | 2023-11-23 | 2024-02-06 | 国家电网有限公司大数据中心 | 一种碳排放测算模型及对比评价方法及其应用 |
| CN117495640A (zh) * | 2023-11-24 | 2024-02-02 | 南昌师范学院 | 一种区域碳排放量预测方法及系统 |
| CN117493813A (zh) * | 2023-11-29 | 2024-02-02 | 中国科学院地理科学与资源研究所 | 一种城市碳强度的分析方法及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 城市群碳排放空间关联网络结构及其影响因素;郑航等;《中国环境科学》;20220113;第42卷(第5期);第2413-2422页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787574A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN110858973B (zh) | 小区网络流量预测方法及装置 | |
| CN111237988B (zh) | 地铁车载空调机组控制方法及系统 | |
| CN110378419A (zh) | 一种图像集扩充方法、装置、设备及可读存储介质 | |
| CN111353505A (zh) | 可联合实现语义分割和景深估计的网络模型及训练方法 | |
| CN106971245A (zh) | 一种基于改进蚁群算法的路径确定方法及系统 | |
| CN108388113B (zh) | 基于分布估计局部优化的最小二乘支持向量机软测量建模方法 | |
| CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
| CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
| CN116882574A (zh) | 一种基于神经网络模型的碳排放预测方法及系统 | |
| CN117787574B (zh) | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 | |
| CN117540153B (zh) | 一种隧道监测数据预测方法及系统 | |
| CN112632706B (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
| CN117495640A (zh) | 一种区域碳排放量预测方法及系统 | |
| CN115829022A (zh) | 一种基于强化学习的cnn网络剪枝率自动搜索方法及系统 | |
| CN116631203A (zh) | 结合交通流预测与强化学习的自适应交通信号控制方法 | |
| CN113095584B (zh) | 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质 | |
| CN103034754B (zh) | 车身轻量化设计的解耦模式的数据处理分组建模方法 | |
| CN115345303A (zh) | 卷积神经网络权重调优方法、装置、存储介质和电子设备 | |
| CN111142026B (zh) | 一种数据处理方法、装置及电子设备 | |
| CN114266653A (zh) | 集成学习的客户贷款风险预估方法 | |
| CN113312722A (zh) | 一种城轨列车关键部件的可靠度预测优化方法 | |
| CN115063975B (zh) | 短时交通流数据预测方法、系统、计算机设备及存储介质 |
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 |