CN117933497A - 一种基于tsa-arima-cnn的企业碳排放预测方法 - Google Patents

一种基于tsa-arima-cnn的企业碳排放预测方法 Download PDF

Info

Publication number
CN117933497A
CN117933497A CN202410331045.0A CN202410331045A CN117933497A CN 117933497 A CN117933497 A CN 117933497A CN 202410331045 A CN202410331045 A CN 202410331045A CN 117933497 A CN117933497 A CN 117933497A
Authority
CN
China
Prior art keywords
model
cnn
arima
carbon emission
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410331045.0A
Other languages
English (en)
Other versions
CN117933497B (zh
Inventor
孙乾
王玲
韩秀丽
陈丽芳
李存国
于晓东
刘淑贤
聂轶苗
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.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
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 North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN202410331045.0A priority Critical patent/CN117933497B/zh
Publication of CN117933497A publication Critical patent/CN117933497A/zh
Application granted granted Critical
Publication of CN117933497B publication Critical patent/CN117933497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及碳排放预测技术领域，公开了一种基于TSA‑ARIMA‑CNN的企业碳排放预测方法，包括：获取企业生产的历史碳排放时间序列数据，并对历史碳排放时间序列数据进行归一化处理。获取ARIMA模型的最优参数，并根据最优参数建立ARIMA模型。将RMSE和R2作为评价指标，并获取CNN模型的最优参数，建立CNN模型。将归一化处理后的历史碳排放时间序列数据代入ARIMA模型以及CNN模型进行预测，并获取ARIMA模型的碳排放预测序列以及CNN模型的碳排放预测序列。并基于特征选择算法进行选择或加权，并获取选择或加权后的预测结果，并将反归一化处理的预测结果设定为碳排放预测输出结果。本发明通过结合了传统时间序列分析和深度学习方法，提高了企业碳排放预测的准确性。

Description

一种基于TSA-ARIMA-CNN的企业碳排放预测方法
技术领域
本发明涉及碳排放预测技术领域，具体而言，涉及一种基于TSA-ARIMA-CNN的企业碳排放预测方法。
背景技术
矿业行业是一些工业国家重要的能源和原材料来源，在矿业生产作业的同时会排放大量的温室气体。温室气体过度排放会对环境造成严重的危害从而引起一系列的自然灾害，例如：加快冰雪融化造成海平面上升、气温升高和土地干旱等，因此有效减少温室气体的排放迫在眉睫。正因如此，对于矿山企业的碳排放的预测具有很大的研究价值，通过预测矿山企业的碳排放，可以有效评估矿山企业的潜在碳排放是否符合排放标准，从而减少温室气体的排放。
目前，在碳排放预测领域，大多使用单一的机器学习或深度学习模型如：支持向量机、神经网络等进行建模预测。由于矿业生产在不同时间生产量的不同和设备磨损等原因导致碳排放数据中存在线性和非线性特征，然而单一的模型很难同时捕捉数据中存在的线性和非线性特征，从而导致模型的预测精度较低。
因此，急需发明一种用于解决现有技术中单一模型难以捕捉碳排放数据中存在的线性和非线性特征，从而导致模型的预测精度较低的企业碳排放预测方法。
发明内容
鉴于此，本发明提出了一种基于TSA-ARIMA-CNN的企业碳排放预测方法，旨在解决当前技术中单一模型难以捕捉碳排放数据中存在的线性和非线性特征，从而导致模型的预测精度较低的问题。
本发明提出了一种基于TSA-ARIMA-CNN的企业碳排放预测方法，包括：
获取所述企业生产的历史碳排放时间序列数据，并对所述历史碳排放时间序列数据进行归一化处理；
获取ARIMA（Autoregressive Integrated Moving Average Model，差分自回归移动平均模型）模型的最优参数，并根据所述最优参数建立ARIMA模型；
将RMSE和R2作为评价指标，并获取CNN（Convolutional Neural Network，卷积神经网络）模型的最优参数，建立CNN模型；
将归一化处理后的所述历史碳排放时间序列数据代入所述ARIMA模型以及所述CNN模型进行预测，并获取所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列；
基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果；
将所述预测结果进行反归一化处理，并将反归一化处理的所述预测结果设定为碳排放预测输出结果。
进一步的，基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果时，包括：
获取所述ARIMA模型的碳排放预测值与碳排放实际值之间的残差的绝对值；
获取所述CNN模型的碳排放预测值与碳排放实际值之间的残差的绝对值；
设置大小为T的窗口，并在所述窗口内计算所述ARIMA模型的残差的绝对值的总和以及所述CNN模型的残差的绝对值的总和；
将所述ARIMA模型的残差的绝对值的总和与所述CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列；
获取所述窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及所述窗口内不同时间点的CNN模型预测值的残差的绝对值的A值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列；
设定函数RMSE，并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据所述ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列；
获取待定预测序列、/>和/>在测试集的RMSE，根据所述待定预测序列/>、和/>的RMSE之间的大小关系进行比对，并根据比对结果选定所述预测结果。
进一步的，将所述ARIMA模型的残差的绝对值的总和与所述CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列时，包括：
获取所述ARIMA模型的残差的绝对值的总和以及CNN模型的残差的绝对值的总和/>，并根据所/>与/>之间的关系确定所述待定预测序列/>；其中，
当时，则确定所述ARIMA模型的碳排放预测值为待定预测序列/>；
当时，则确定所述CNN模型的碳排放预测值为待定预测序列/>。
进一步的，获取所述窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及所述窗口内不同时间点的CNN模型预测值的残差的绝对值的A值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列时，包括：
获取所述ARIMA模型的预测序列的权重为窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值的个数；
获取所述CNN模型的预测序列的权重；
根据所述ARIMA模型的预测序列的权重和CNN模型的预测序列的权重，并基于公式Ⅰ获取所述待定预测序列/>，所述公式Ⅰ如下所示：
其中，为所述ARIMA模型的预测序列，/>为所述CNN模型的预测序列。
进一步的，设定函数RMSE（Root Mean Square Error，均方根误差），并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据所述ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列时，包括：
设定适应度函数RMSE，并获取区间0~1之间以0.01为间隔的ARIMA模型权重的可能取值的适应度函数RMSE的值和CNN模型权重的可能取值的适应度函数RMSE的值；
获取所述ARIMA模型权重的可能取值的适应度函数RMSE的值中的最小值对应的权重作为所述ARIMA模型的权重，且/>；
获取所述CNN模型权重的可能取值的适应度函数RMSE的值中的最小值对应的权重作为所述CNN模型的权重，且/>；
根据所述ARIMA模型的权重和CNN模型的权重/>基于公式Ⅱ获取所述待定预测序列/>，所述公式Ⅱ如下所示：
。
进一步的，根据所述待定预测序列、/>和/>的RMSE之间的大小关系进行比对，并根据比对结果选定所述预测结果时，包括：
获取所述待定预测序列的RMSE△A1、待定预测序列/>的RMSE△A2和待定预测序列/>的RMSE△A3，并根据所述△A1与△A2以及△A3之间进行比对，并根据比对结果确定为所述预测结果；
当△A1＜△A2，且△A1＜△A3时，则确定所述待定预测序列为所述预测结果；
当△A1＞△A2，且△A2＜△A3时，则确定所述待定预测序列为所述预测结果；
当△A1＞△A3，且△A2＞△A3时，则确定所述待定预测序列为所述预测结果。
进一步的，获取所述企业生产的历史碳排放时间序列数据，并对所述历史碳排放时间序列数据进行归一化处理时，包括：
获取所述历史碳排放时间序列数据中若干时间节点的碳排放数据，并建立数据集；
将所述数据集进行归一化处理，并按照时间顺序将归一化处理的所述数据集划分为训练集和测试集，所述归一化公式为：
其中，为归一化后的所述数据集，/>为所述数据集，/>为所述数据集中的最小值，/>为所述数据集中的最大值。
进一步的，获取ARIMA模型的最优参数，并根据所述最优参数建立ARIMA模型时，包括：
获取所述历史碳排放时间序列数据中的时间序列，并基于单位根检验对所述时间序列的平稳性进行检测，其中：
获取所述时间序列中的p值，并根据所述p值与预设的p0值之间的关系判断所述时间序列是否平稳；
当p＞p0时，则判断所述时间序列为不平稳时间序列，并基于差分算法将所述不平稳时间序列转换为所述平稳时间序列；
当p≤p0时，则判断所述时间序列为平稳时间序列，并获取所述时间序列中P值，并根据所述P值与预设P1值之间的关系，判断所述平稳时间序列是否为白噪声；
当P≥P1时，则判断所述平稳时间序列为白噪音，并对所述时间序列进行调整；
当P＜P1时，则判断所述平稳时间序列为非白噪音，并基于贝叶斯信息准则获取所述ARIMA模型中最优的三个参数。
进一步的，将RMSE和作为评价指标，并获取CNN模型的最优参数，建立CNN模型时，包括：
获取卷积核个数、卷积核大小、最大迭代次数和模型的批量大小以及所述CNN模型的超参数；
根据所述卷积核个数、卷积核大小、最大迭代次数和模型的批量大小对所述CNN模型的超参数进行调整，其中；
获取若干调整后的所述CNN模型的超参数中的RMSE以及R2指标；
根据RMSE指标的大小关系对若干调整后的所述CNN模型的超参数进行第一排序；
根据R2指标的大小关系对若干调整后的所述CNN模型的超参数进行第二排序；
获取所述若干调整后的所述CNN模型的超参数中RMSE指标小于其他RMSE指标且R2指标大于其他R2指标的CNN模型的超参数，并定义为所述CNN模型的最优参数。
与现有技术相比，本发明的有益效果在于：
1、通过获取历史碳排放时间序列数据并进行归一化处理，确保数据的可比性和稳定性。然后，利用ARIMA模型对时间序列数据进行建模，通过获取最优参数来提高模型的预测精度。同时，使用CNN模型作为另一种预测工具，通过训练获取最优参数，并建立针对碳排放预测的深度学习模型。在预测过程中，将归一化后的历史碳排放时间序列数据分别代入ARIMA模型和CNN模型进行预测，得到两种模型的碳排放预测序列。通过基于特征选择算法对这两个预测序列进行选择或加权，以综合考虑两种模型的预测效果，从而提高整体预测准确度和稳定性。最后，将加权后的预测结果进行反归一化处理，得到最终的碳排放预测输出结果，这个结果可用于企业制定碳排放管理策略和规划未来发展方向。进一步通过综合利用传统统计模型和深度学习模型的优势，从而能够更全面、准确地预测企业的碳排放情况。
2、通过利用ARIMA模型捕捉线性特征和CNN模型捕捉非线性特征的能力去捕捉碳排放数据中同时存在的线性和非线性特征，接着利用特征选择算法(TSA)，选择或加权ARIMA模型和CNN模型捕捉到的相应特征，充分地提取并利用了碳排放数据中的线性和非线性特征，解决了单一模型预测碳排放只能捕捉线性或非线性特征弊端，提高的碳排放预测的精度。
3、通过利用特征选择算法TSA选择或加权ARIMA模型和CNN模型捕捉到的相应特征,在特征选择或加权时考虑了单一线性或非线性特征的情况与线性和非线性特征同时存在的情况；本发明采用的特征选择算法TSA中通过设置大小为T的窗口，可以选择或加权局部的线性和非线性特征，从而避免了在全局选择或加权线性和非线性特征的局限性，使得预测结果更加准确，具有很强的适用性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的一种基于TSA-ARIMA-CNN的企业碳排放预测方法的流程示意图；
图2为本发明实施例提供的CNN模型的结构示意图；
图3为本发明实施例提供的CNN模型的池化层的最大池化操作示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示，在本申请的一些实施例中，本实施例提供了一种基于TSA-ARIMA-CNN的企业碳排放预测方法，包括：
步骤S100、获取企业生产的历史碳排放时间序列数据，并对历史碳排放时间序列数据进行归一化处理。
步骤S200、获取ARIMA模型的最优参数，并根据最优参数建立ARIMA模型。
步骤S300、将RMSE和R2作为评价指标，并获取CNN模型的最优参数，建立CNN模型。
步骤S400、将归一化处理后的历史碳排放时间序列数据代入ARIMA模型以及CNN模型进行预测，并获取ARIMA模型的碳排放预测序列以及CNN模型的碳排放预测序列。
步骤S500、基于特征选择算法将ARIMA模型的碳排放预测序列以及CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果。
步骤S600、将预测结果进行反归一化处理，并将反归一化处理的预测结果设定为碳排放预测输出结果。
可以理解的是，在步骤S100中，通过获取企业生产的历史碳排放时间序列数据并进行归一化处理，确保数据的稳定性和可比性，为后续建模做好准备。然后，在步骤S200中，利用ARIMA模型对历史数据进行建模，并获取最优参数，从而提高了模型的预测准确度和稳定性。在步骤S300中，选择了RMSE和R2作为评价指标，利用CNN模型进行建模，通过获取最优参数，进一步提高了预测模型的准确性。随后，在步骤S400中，将归一化处理后的历史碳排放时间序列数据代入ARIMA模型和CNN模型进行预测，得到了两种模型的碳排放预测序列。在步骤S500中，通过基于特征选择算法，对ARIMA模型和CNN模型的碳排放预测序列进行选择或加权，以综合考虑两种模型的预测效果，进一步提高了预测结果的准确性和稳定性。最后，在步骤S600中，对预测结果进行反归一化处理，得到最终的碳排放预测输出结果，为企业提供了有益的参考，可用于碳排放管理决策和规划。
可以看出的是，通过利用了传统统计模型和深度学习模型的优势，能够更全面、准确地预测企业的碳排放情况。其次，通过对不同模型的预测结果进行综合考虑和选择，提高了预测的稳定性和可靠性，为企业提供了更可靠的决策支持。
在本申请的一些实施例中，获取企业生产的历史碳排放时间序列数据，并对历史碳排放时间序列数据进行归一化处理时，包括：获取历史碳排放时间序列数据中若干时间节点的碳排放数据，并建立数据集。将数据集进行归一化处理，并按照时间顺序将归一化处理的数据集划分为训练集和测试集，归一化公式为：
其中，为归一化后的数据集，/>为数据集，/>为数据集中的最小值，/>为数据集中的最大值。
可以理解的是，通过获取企业生产的历史碳排放时间序列数据，我们能够了解碳排放的趋势和变化规律，为未来的预测提供基础。通过建立数据集，我们可以在数据的基础上进行后续的分析和建模。其次，对历史碳排放时间序列数据进行归一化处理有助于消除数据之间的量纲差异，使得不同特征之间的影响权重更加平衡，提高模型的收敛速度和准确性。归一化后的数据能够更好地适应各类模型的训练过程，提高模型的稳定性和泛化能力。分割归一化处理后的数据集为训练集和测试集，可以帮助我们评估模型的预测性能，并验证模型在未知数据上的泛化能力。通过这样的划分方式，我们可以更加客观地评估模型在真实环境下的表现，为后续模型调优和改进提供参考。
在本申请的一些实施例中，获取ARIMA模型的最优参数，并根据最优参数建立ARIMA模型时，包括：获取历史碳排放时间序列数据中的时间序列，并基于单位根检验对时间序列的平稳性进行检测，其中：获取时间序列中的p值，并根据p值与预设的p0值之间的关系判断时间序列是否平稳。当p＞p0时，则判断时间序列为不平稳时间序列，并基于差分算法将不平稳时间序列转换为平稳时间序列。当p≤p0时，则判断时间序列为平稳时间序列，并获取时间序列中P值，并根据P值与预设P1值之间的关系，判断平稳时间序列是否为白噪声：当P≥P1时，则判断平稳时间序列为白噪音，并对时间序列进行调整。当P＜P1时，则判断平稳时间序列为非白噪音，并基于贝叶斯信息准则获取ARIMA模型中最优的三个参数。
可以理解的是，通过获取历史碳排放时间序列数据，并进行单位根检验，以评估时间序列的平稳性。如果时间序列不是平稳的（即p值大于预设的p0值），则利用差分算法将其转换为平稳时间序列。这一步骤非常重要，因为ARIMA模型要求时间序列是平稳的，平稳性是其建模的基础。接下来，如果时间序列是平稳的（即p值小于或等于预设的p0值），则进行白噪声检验。如果平稳时间序列被判定为白噪声（即P值大于或等于预设的P1值），则说明序列中没有明显的模式或规律，这对于建立ARIMA模型来说是不合适的，需要进一步调整。对于非白噪声的平稳时间序列，利用贝叶斯信息准则获取ARIMA模型的最优参数。这种参数选择方法可以在考虑模型复杂度的同时，尽可能地提高模型的拟合效果和预测准确性，从而更好地捕捉时间序列数据的特征和趋势。从而可以进一步有效地处理不同类型的时间序列数据，确保建立的ARIMA模型具有良好的平稳性和预测性能。这种方法能够提高碳排放预测模型的准确性和稳定性，为企业的碳排放管理提供更可靠的数据支持。
可以看出的是，对时间序列进行平稳性检验，若序列非平稳，利用差分算法将不平稳的时间序列转换为平稳的时间序列，反之不做差分处理，从而得到差分阶数；平稳性检验方法为：使用ADF检验对时间序列数据进行检测，如果P值小于0.05则认为时间序列数据平稳，反之则不平稳；在实施例1中时间序列非平稳，对时间序列进行二阶差分后时间序列变为平稳时间序列，由此得出差分阶数d=2；对平稳的时间序列进行白噪声检验，若平稳的时间序列为非白噪声，则继续后续操作，否则需重新收集数据；白噪声检验方法为：使用LB统计量对平稳的时间序列数据进行检测，如果P值小于0.05则认为平稳的时间序列数据为非白噪声，反之则为白噪声；在实施例1中平稳的时间序列为白噪声，因此可以进行后续操作；基于贝叶斯信息准则(BIC)确定最优的自回归阶数和移动平均阶数，最终得出最优的ARIMA模型的上述三个参数；在实施例1中，根据贝叶斯信息准则确定最优的自回归阶数p=5，移动平均阶数q=0；
BIC计算公式为：
其中BIC为基于BIC准则计算所得的信息量，L为似然函数，K为模型参数个数，n为样本数量；
差分自回归移动平均模型ARIMA(p,d,q)的公式如下：
其中为t时刻平稳时间序列的值，c为常数，p为自回归模型阶数，/>为自相关系数，/>为白噪声序列，q为移动平均模型阶数。
参阅2-3所示，在本申请的一些实施例中，将RMSE和作为评价指标，并获取CNN模型的最优参数，建立CNN模型时，包括：获取卷积核个数、卷积核大小、最大迭代次数和模型的批量大小以及CNN模型的超参数。根据卷积核个数、卷积核大小、最大迭代次数和模型的批量大小对CNN模型的超参数进行调整，其中：获取若干调整后的CNN模型的超参数中的RMSE以及R2指标。根据RMSE指标的大小关系对若干调整后的CNN模型的超参数进行第一排序。根据R2指标的大小关系对若干调整后的CNN模型的超参数进行第二排序。获取若干调整后的CNN模型的超参数中RMSE指标小于其他RMSE指标且R2指标大于其他R2指标的CNN模型的超参数，并定义为CNN模型的最优参数。
可以理解的是，通过获取卷积核个数、卷积核大小、最大迭代次数和模型的批量大小等超参数，可以对模型进行初始化。这些超参数的选择直接影响了模型的性能和泛化能力。通过对这些超参数进行调整，并使用RMSE和R2指标作为评价指标，可以评估模型在训练集和测试集上的预测效果。RMSE用于度量模型的预测误差，而R2指标则反映了模型对数据方差的解释能力。在调整后的CNN模型中，根据RMSE指标的大小关系对模型进行第一排序，以找出预测误差较小的模型。然后，根据R2指标的大小关系对模型进行第二排序，以找出对数据方差解释能力较强的模型。最终，选择RMSE指标小于其他模型且R2指标大于其他模型的CNN模型的超参数作为最优参数。这样选择的模型既能够在预测时减小误差，又能够更好地解释数据的变化，提高了模型的预测准确性和解释能力。
具体而言，CNN模型的具体寻优参数为：卷积核个数、卷积核大小、最大迭代次数和模型的批量大小，通过不断地调整CNN模型的超参数，寻找使RMSE达到最小，达到最大的超参数作为最优参数，RMSE和/>的计算公式为：
其中，n为样本量，为真实值，/>为预测值，/>为真实值的均值；
一维卷积神经网络由卷积层、池化层和全连接层组成，卷积层负责提取输入数据的特征，计算公式为：
其中为卷积操作的结果，/>为激活函数，/>为输入的操作，/>为待卷积区域，为卷积核，(×)为卷积操作，/>为相应卷积核的偏置系数；
池化层采用最大池化操作，将输入数据划分为若干区域，取每个区域的最大值，以降低输入数据的维度且减少计算成本；
全连接层负责将卷积层和池化层提取的特征映射转换为最终的输出，全连接层的计算公式如下：
其中为激活函数，/>为全连接层权重矩阵，/>为全连接层偏置系数。
通过不断调整CNN模型的超参数，最终确定最优超参数的卷积核个数为60,、卷积核大小为2、最大迭代次数为500和模型的批量大小为48。
在本申请的一些实施例中，基于特征选择算法将ARIMA模型的碳排放预测序列以及CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果时，包括：获取ARIMA模型的碳排放预测值与碳排放实际值之间的残差的绝对值。获取CNN模型的碳排放预测值与碳排放实际值之间的残差的绝对值。设置大小为T的窗口，并在窗口内计算ARIMA模型的残差的绝对值的总和以及CNN模型的残差的绝对值的总和。将ARIMA模型的残差的绝对值的总和与CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列。获取窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及窗口内不同时间点的CNN模型预测值的残差的绝对值的A值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列/>。设定函数RMSE，并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列/>。获取待定预测序列/>、/>和/>在测试集的RMSE，根据待定预测序列/>、/>和/>的RMSE之间的大小关系进行比对，，并根据比对结果选定预测结果。
优选的，A值为较小值。
可以理解的是，通过获取ARIMA模型和CNN模型的预测值与实际值之间的残差的绝对值，我们可以评估两个模型的预测精度。通过计算这些残差的总和，并在设定大小为T的窗口内比较两个模型残差的总和，可以进一步确定哪个模型更适合用于预测待定序列。这样的比较有助于确定待定预测序列，以便在后续步骤中进一步优化模型的选择。接着，在窗口内分别统计ARIMA模型和CNN模型预测值的残差的较小值数量，通过这些数量可以获得两个模型预测序列的权重。基于这些权重，可以确定待定预测序列，从而综合考虑两个模型的预测效果。进一步地，设定适应度函数RMSE，并在区间0~1之间进行网格化搜索，以调整ARIMA模型和CNN模型预测序列的权重。根据调整后的权重作为阈值，确定待定预测序列。这样的方式可以进一步优化模型的预测效果，提高预测的准确性和稳定性。最后，通过比较待定预测序列与在测试集上的RMSE大小关系，选定最优的预测结果。这个步骤可以确保选择具有更好预测性能的模型，为企业提供更可靠的碳排放预测结果，从而为碳排放管理和决策提供有益的支持和参考。
在本申请的一些实施例中，将ARIMA模型的残差的绝对值的总和与CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列时，包括：获取ARIMA模型的残差的绝对值的总和/>以及CNN模型的残差的绝对值的总和/>，并根据所/>与/>之间的关系确定待定预测序列/>。其中：当/>时，则确定ARIMA模型的碳排放预测值为待定预测序列/>。当/>时，则确定CNN模型的碳排放预测值为待定预测序列/>。
在本申请的一些实施例中，获取窗口内不同时间点的ARIMA模型预测值的残差的绝对值的较小值数量以及窗口内不同时间点的CNN模型预测值的残差的绝对值的较小值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列时，包括：获取ARIMA模型的预测序列的权重为窗口内不同时间点的ARIMA模型预测值的残差的绝对值的较小值的个数。获取CNN模型的预测序列的权重。根据ARIMA模型的预测序列的权重/>和CNN模型的预测序列的权重/>，并基于公式Ⅰ获取待定预测序列/>，公式Ⅰ如下所示：
其中，为ARIMA模型的预测序列，/>为CNN模型的预测序列。
在本申请的一些实施例中，设定函数RMSE，并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列时，包括：设定适应度函数RMSE，并获取区间0~1之间以0.01为间隔的ARIMA模型权重的可能取值的适应度函数RMSE的值和CNN模型权重的可能取值的适应度函数RMSE的值。获取ARIMA模型权重的可能取值的适应度函数RMSE的值中的最小值对应的权重作为ARIMA模型的权重/>，且/>。获取CNN模型权重的可能取值的适应度函数RMSE的值中的最小值对应的权重作为CNN模型的权重/>，且/>基于公式Ⅱ获取待定预测序列/>，公式Ⅱ如下所示：
。
在本申请的一些实施例中，根据待定预测序列、/>和/>的RMSE之间的大小关系进行比对，并根据比对结果选定预测结果时，包括：获取待定预测序列/>的RMSE△A1、待定预测序列/>的RMSE△A2和待定预测序列/>的RMSE△A3，并根据△A1与△A2以及△A3之间进行比对，并根据比对结果确定为预测结果：当△A1＜△A2，且△A1＜△A3时，则确定待定预测序列/>为预测结果。当△A1＞△A2，且△A2＜△A3时，则确定待定预测序列为预测结果。当△A1＞△A3，且△A2＞△A3时，则确定待定预测序列/>为预测结果。
具体而言，分别计算ARIMA模型和CNN模型预测值的残差的绝对值，残差绝对值的计算公式为：
其中为真实值，/>为预测值；
接着设置一个大小为10的窗口，在窗口内计算ARIMA模型和CNN模型的残差绝对值的总和分别为和/>，如果/>则待定预测序列/>为ARIMA模型的预测值，否则待定预测序列/>为CNN模型的预测值，以此捕捉一定时间段内的单一线性或非线性趋势。其次，在大小为10的窗口内统计不同时间点ARIMA模型和CNN模型预测值的残差绝对值的较小值的数量，更新公式如下：
其中为在大小为10的窗口内ARIMA模型的残差绝对值较小的个数，为大小为10的窗口内CNN模型的残差绝对值较小的个数，/>为ARIMA模型在某一时刻的残差绝对值，/>为CNN模型在某一时刻的残差绝对值；根据ARIMA模型和CNN模型预测值的残差绝对值的较小者的数量确定ARIMA模型和CNN的权重，ARIMA模型的权重为，CNN模型的权重为，待定预测序列/>的计算公式为：
其中为ARIMA模型的预测序列，/>为CNN模型的预测序列；
通过为ARIMA模型和CNN模型的预测序列赋权，可以同时捕捉碳排放数据中的线性和非线性趋势。随后，给定适应度函数RMSE，在区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并将步骤S5.2中得出的权重作为阈值，以此确定待定预测序列；
首先给定一个适应度函数RMSE，RMSE的计算公式为：
其中，n为样本量，为真实值，/>为预测值；
在区间0~1之间网格化搜索ARIMA模型的权重和CNN模型的权重/>，并且将步骤S5.2中的权重作为本次权重的阈值，即保证/>且/>，通过计算在区间0~1之间以0.01为间隔的ARIMA模型和CNN模型的权重可能取值的适应度函数的值，将适应度函数最小值所对应的权重作为ARIMA模型权重/>和CNN模型的权重，待定预测序列/>的计算公式为：
最后，比较待定预测序列、/>和/>的RMSE的大小，选取RMSE最小的待定预测序列作为最优预测序列，并将最优预测序列反归一化得到最终的碳排放预测结果。
上述实施例中，通过获取历史碳排放时间序列数据并进行归一化处理，确保数据的可比性和稳定性。然后，利用ARIMA模型对时间序列数据进行建模，通过获取最优参数来提高模型的预测精度。同时，使用CNN模型作为另一种预测工具，通过训练获取最优参数，并建立针对碳排放预测的深度学习模型。在预测过程中，将归一化后的历史碳排放时间序列数据分别代入ARIMA模型和CNN模型进行预测，得到两种模型的碳排放预测序列。通过基于特征选择算法对这两个预测序列进行选择或加权，以综合考虑两种模型的预测效果，从而提高整体预测准确度和稳定性。最后，将加权后的预测结果进行反归一化处理，得到最终的碳排放预测输出结果，这个结果可用于企业制定碳排放管理策略和规划未来发展方向。进一步通过综合利用传统统计模型和深度学习模型的优势，从而能够更全面、准确地预测企业的碳排放情况。
进一步的通过利用ARIMA模型捕捉线性特征和CNN模型捕捉非线性特征的能力去捕捉碳排放数据中同时存在的线性和非线性特征，接着利用特征选择算法(TSA)，选择或加权ARIMA模型和CNN模型捕捉到的相应特征，充分地提取并利用了碳排放数据中的线性和非线性特征，解决了单一模型预测碳排放只能捕捉线性或非线性特征弊端，提高的碳排放预测的精度。
最后，通过利用特征选择算法TSA 选择或加权ARIMA模型和CNN模型捕捉到的相应特征,在特征选择或加权时考虑了单一线性或非线性特征的情况与线性和非线性特征同时存在的情况。本发明采用的特征选择算法TSA中通过设置大小为T的窗口，可以选择或加权局部的线性和非线性特征，从而避免了在全局选择或加权线性和非线性特征的局限性，使得预测结果更加准确，具有很强的适用性。
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、系统或计算机程序商品。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商品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序商品的流程图和／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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，包括：
获取所述企业生产的历史碳排放时间序列数据，并对所述历史碳排放时间序列数据进行归一化处理；
获取ARIMA模型的最优参数，并根据所述最优参数建立ARIMA模型；
将RMSE和作为评价指标，并获取CNN模型的最优参数，建立CNN模型；
将归一化处理后的所述历史碳排放时间序列数据代入所述ARIMA模型以及所述CNN模型进行预测，并获取所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列；
基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果；
将所述预测结果进行反归一化处理，并将反归一化处理的所述预测结果设定为碳排放预测输出结果。
2.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果时，包括：
获取所述ARIMA模型的碳排放预测值与碳排放实际值之间的残差的绝对值；
获取所述CNN模型的碳排放预测值与碳排放实际值之间的残差的绝对值；
设置大小为T的窗口，并在所述窗口内计算所述ARIMA模型的残差的绝对值的总和以及所述CNN模型的残差的绝对值的总和；
将所述ARIMA模型的残差的绝对值的总和与所述CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列；
获取所述窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及所述窗口内不同时间点的CNN模型预测值的残差的绝对值的A值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列；
设定函数RMSE，并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据所述ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列；
获取待定预测序列、/>和/>在测试集的RMSE，根据所述待定预测序列/>、/>和/>的RMSE之间的大小关系进行比对，并根据比对结果选定所述预测结果。
3.如权利要求2所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，将所述ARIMA模型的残差的绝对值的总和与所述CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列时，包括：
获取所述ARIMA模型的残差的绝对值的总和以及CNN模型的残差的绝对值的总和，并根据所/>与/>之间的关系确定所述待定预测序列/>；其中，
当时，则确定所述ARIMA模型的碳排放预测值为待定预测序列/>；
当时，则确定所述CNN模型的碳排放预测值为待定预测序列/>。
4.如权利要求3所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，获取所述窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及所述窗口内不同时间点的CNN模型预测值的残差的绝对值的A值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列时，包括：
获取所述ARIMA模型的预测序列的权重为窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值的个数；
获取所述CNN模型的预测序列的权重；
根据所述ARIMA模型的预测序列的权重和CNN模型的预测序列的权重/>，并基于公式Ⅰ获取所述待定预测序列/>，所述公式Ⅰ如下所示：
；
其中，为所述ARIMA模型的预测序列，/>为所述CNN模型的预测序列。
5.如权利要求4所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，设定函数RMSE，并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据所述ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列时，包括：
设定适应度函数RMSE，并获取区间0~1之间以0.01为间隔的ARIMA模型权重的可能取值的适应度函数RMSE的值和CNN模型权重的可能取值的适应度函数RMSE的值；
获取所述ARIMA模型权重的可能取值的适应度函数RMSE的值中的最小值对应的权重作为所述ARIMA模型的权重，且/>；
获取所述CNN模型权重的可能取值的适应度函数RMSE的值中的最小值对应的权重作为所述CNN模型的权重，且/>；
根据所述ARIMA模型的权重和CNN模型的权重/>基于公式Ⅱ获取所述待定预测序列/>，所述公式Ⅱ如下所示：
。
6.如权利要求5所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，根据所述待定预测序列、/>和/>的RMSE之间的大小关系进行比对，并根据比对结果选定所述预测结果时，包括：
获取所述待定预测序列的RMSE△A1、待定预测序列/>的RMSE△A2和待定预测序列/>的RMSE△A3，并根据所述△A1与△A2以及△A3之间进行比对，并根据比对结果确定为所述预测结果；
当△A1＜△A2，且△A1＜△A3时，则确定所述待定预测序列为所述预测结果；
当△A1＞△A2，且△A2＜△A3时，则确定所述待定预测序列为所述预测结果；
当△A1＞△A3，且△A2＞△A3时，则确定所述待定预测序列为所述预测结果。
7.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，获取所述企业生产的历史碳排放时间序列数据，并对所述历史碳排放时间序列数据进行归一化处理时，包括：
获取所述历史碳排放时间序列数据中若干时间节点的碳排放数据，并建立数据集；
将所述数据集进行归一化处理，并按照时间顺序将归一化处理的所述数据集划分为训练集和测试集，所述归一化公式为：
；
其中，为归一化后的所述数据集，/>为所述数据集，/>为所述数据集中的最小值，为所述数据集中的最大值。
8.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，获取ARIMA模型的最优参数，并根据所述最优参数建立ARIMA模型时，包括：
获取所述历史碳排放时间序列数据中的时间序列，并基于单位根检验对所述时间序列的平稳性进行检测，其中：
获取所述时间序列中的p值，并根据所述p值与预设的p0值之间的关系判断所述时间序列是否平稳；
当p＞p0时，则判断所述时间序列为不平稳时间序列，并基于差分算法将所述不平稳时间序列转换为所述平稳时间序列；
当p≤p0时，则判断所述时间序列为平稳时间序列，并获取所述时间序列中P值，并根据所述P值与预设P1值之间的关系，判断所述平稳时间序列是否为白噪声；
当P≥P1时，则判断所述平稳时间序列为白噪音，并对所述时间序列进行调整；
当P＜P1时，则判断所述平稳时间序列为非白噪音，并基于贝叶斯信息准则获取所述ARIMA模型中最优的三个参数。
9.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，将RMSE和作为评价指标，并获取CNN模型的最优参数，建立CNN模型时，包括：
获取卷积核个数、卷积核大小、最大迭代次数和模型的批量大小以及所述CNN模型的超参数；
根据所述卷积核个数、卷积核大小、最大迭代次数和模型的批量大小对所述CNN模型的超参数进行调整，其中；
获取若干调整后的所述CNN模型的超参数中的RMSE以及R2指标；
根据RMSE指标的大小关系对若干调整后的所述CNN模型的超参数进行第一排序；
根据R2指标的大小关系对若干调整后的所述CNN模型的超参数进行第二排序；
获取所述若干调整后的所述CNN模型的超参数中RMSE指标小于其他RMSE指标且R2指标大于其他R2指标的CNN模型的超参数，并定义为所述CNN模型的最优参数。
CN202410331045.0A 2024-03-22 2024-03-22 一种基于tsa-arima-cnn的企业碳排放预测方法 Active CN117933497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410331045.0A CN117933497B (zh) 2024-03-22 2024-03-22 一种基于tsa-arima-cnn的企业碳排放预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410331045.0A CN117933497B (zh) 2024-03-22 2024-03-22 一种基于tsa-arima-cnn的企业碳排放预测方法

Publications (2)

Publication Number Publication Date
CN117933497A true CN117933497A (zh) 2024-04-26
CN117933497B CN117933497B (zh) 2024-06-18

Family

ID=90759571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410331045.0A Active CN117933497B (zh) 2024-03-22 2024-03-22 一种基于tsa-arima-cnn的企业碳排放预测方法

Country Status (1)

Country Link
CN (1) CN117933497B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118504424A (zh) * 2024-07-17 2024-08-16 北京睿碳科技有限公司 一种碳排放信息处理方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239314A (zh) * 2021-04-09 2021-08-10 国网河北省电力有限公司沧州供电分公司 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN115907176A (zh) * 2022-11-29 2023-04-04 贵州电网有限责任公司 一种基于联邦学习的输电侧碳排放预测方法
CN115983339A (zh) * 2022-12-15 2023-04-18 华北科技学院 基于cnn时间序列模型的煤自燃预警方法及系统
CN116542701A (zh) * 2023-04-06 2023-08-04 华北电力大学 一种基于cnn-lstm组合模型的碳价预测方法及系统
CN116933033A (zh) * 2023-08-03 2023-10-24 中电科数智科技有限公司 基于arima模型的河道水位越限预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239314A (zh) * 2021-04-09 2021-08-10 国网河北省电力有限公司沧州供电分公司 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN115907176A (zh) * 2022-11-29 2023-04-04 贵州电网有限责任公司 一种基于联邦学习的输电侧碳排放预测方法
CN115983339A (zh) * 2022-12-15 2023-04-18 华北科技学院 基于cnn时间序列模型的煤自燃预警方法及系统
CN116542701A (zh) * 2023-04-06 2023-08-04 华北电力大学 一种基于cnn-lstm组合模型的碳价预测方法及系统
CN116933033A (zh) * 2023-08-03 2023-10-24 中电科数智科技有限公司 基于arima模型的河道水位越限预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
池小波等: "基于WPD-ISSA-CA-CNN模型的电厂碳排放预测", 《控制工程》网络首发论文, 25 March 2023 (2023-03-25), pages 1 - 8 *
罗曼等: "基于组合预测模型的萧山碳排放预测", 《节能》, 25 April 2022 (2022-04-25), pages 76 - 80 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118504424A (zh) * 2024-07-17 2024-08-16 北京睿碳科技有限公司 一种碳排放信息处理方法、装置及设备

Also Published As

Publication number Publication date
CN117933497B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN117933497B (zh) 一种基于tsa-arima-cnn的企业碳排放预测方法
Farmani et al. Pipe failure prediction in water distribution systems considering static and dynamic factors
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN107463993B (zh) 基于互信息-核主成分分析-Elman网络的中长期径流预报方法
CN108241901B (zh) 一种基于预测数据的变压器预警评估方法及装置
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN112506990A (zh) 一种基于时空信息的水文数据异常检测方法
CN110738355A (zh) 一种基于神经网络的城市内涝预测方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111695290A (zh) 一种适用于变化环境下的短期径流智能预报混合模型方法
CN111814956A (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN110020712A (zh) 一种基于聚类的优化粒子群bp网络预测方法和系统
CN114169434A (zh) 一种负荷预测方法
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN110674996A (zh) 一种城市交通噪声预测方法
CN111415008B (zh) 一种基于vmd-foa-grnn的船舶流量预测方法
CN118245822B (zh) 相似集合预报优化方法、装置、设备及介质
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN114819178A (zh) 一种铁路施工进度指标预测和在线更新方法
CN118113995A (zh) 基于人工智能和传感技术的旅游舒适性预测方法
Bidyuk et al. An Approach to Identifying and Filling Data Gaps in Machine Learning Procedures
CN117669808A (zh) 一种基于贝叶斯优化的滑坡易发性预测方法
CN111967677A (zh) 一种非常规资源甜点分布的预测方法及装置
CN116738822A (zh) 一种基于LightGBM的排水管道最大腐蚀深度预测方法

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