CN117952318A - 基于大数据的产业园碳排放数据管理系统及方法 - Google Patents

Abstract

公开了一种基于大数据的产业园碳排放数据管理系统及方法。其首先获取被监控企业在预定时间周期内多天的碳排放量，接着，将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量，然后，对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征，最后，基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。这样，可以帮助产业园实现可持续发展和环境保护的目标。

Description

基于大数据的产业园碳排放数据管理系统及方法

技术领域

本申请涉及数据管理领域，且更为具体地，涉及一种基于大数据的产业园碳排放数据管理系统及方法。

背景技术

随着全球气候变化和环境保护意识的增强，减少碳排放已成为各国政府和企业的重要任务。产业园作为一个集中了多个企业的区域，其碳排放管理尤为重要。准确了解和管理碳排放数据对于制定减排策略、评估减排效果以及达成减排目标至关重要。

然而，传统的碳排放数据管理系统通常依赖于手工收集和处理大量的产业园碳排放数据，这种方式效率低下，需要耗费大量的时间和人力资源，同时还存在数据不准确、漏报或错报的问题，影响了数据的可靠性和准确性。在传统系统中，企业的碳排放数据往往是分散存储在不同的地方，甚至以纸质形式存在，这导致数据的孤立性和分散性，使得数据的整合和分析变得困难。同时，由于数据的分散性，系统无法实时监测和采集数据，难以及时发现和解决碳排放异常情况。此外，传统系统通常无法实现对碳排放的实时监测和预警功能，这意味着企业无法及时获得碳排放异常情况的提示，错过了采取及时措施减少碳排放的机会，缺乏实时监测和预警功能也使得系统对于应急情况的响应能力不足。

因此，期望一种基于大数据的产业园碳排放数据管理系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的产业园碳排放数据管理系统及方法。其可以实现对产业园的碳排放数据的准确管理和分析，并提供及时的预警提示，促使企业采取有效的减排措施，从而帮助产业园实现可持续发展和环境保护的目标。

根据本申请的一个方面，提供了一种基于大数据的产业园碳排放数据管理系统，其包括：

数据采集模块，用于获取被监控企业在预定时间周期内多天的碳排放量；

碳排放量时序排列模块，用于将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量；

碳排放时序特征分析模块，用于对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征；以及

碳排放预警模块，用于基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。

根据本申请的另一个方面，提供了一种基于大数据的产业园碳排放数据管理方法，其包括：

获取被监控企业在预定时间周期内多天的碳排放量；

将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量；

对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征；以及

基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。

与现有技术相比，本申请提供的基于大数据的产业园碳排放数据管理系统及方法，其首先获取被监控企业在预定时间周期内多天的碳排放量，接着，将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量，然后，对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征，最后，基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。这样，可以帮助产业园实现可持续发展和环境保护的目标。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的基于大数据的产业园碳排放数据管理系统的框图示意图。

图2为根据本申请实施例的基于大数据的产业园碳排放数据管理系统中的所述碳排放预警模块的框图示意图。

图3为根据本申请实施例的基于大数据的产业园碳排放数据管理方法的流程图。

图4为根据本申请实施例的基于大数据的产业园碳排放数据管理方法的系统架构的示意图。

图5为根据本申请实施例的基于大数据的产业园碳排放数据管理系统的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

针对上述技术问题，本申请的技术构思为通过利用大数据和分析处理算法来对产业园内企业的碳排放进行实时监测、数据采集和分析，从而提高管理效率和准确性。具体来说，通过获取企业在预定时间周期内多天的碳排放量，并在后端引入数据处理和分析算法来进行企业碳排放量的时序分析，以实现对产业园的碳排放数据的准确管理和分析，并提供及时的预警提示，促使企业采取有效的减排措施，从而帮助产业园实现可持续发展和环境保护的目标。

图1为根据本申请实施例的基于大数据的产业园碳排放数据管理系统的框图示意图。如图1所示，根据本申请实施例的基于大数据的产业园碳排放数据管理系统100，包括：数据采集模块110，用于获取被监控企业在预定时间周期内多天的碳排放量；碳排放量时序排列模块120，用于将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量；碳排放时序特征分析模块130，用于对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征；以及，碳排放预警模块140，用于基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。应可以理解，数据采集模块110用于获取被监控企业在预定时间周期内多天的碳排放量数据，它可以与企业的数据源(例如传感器、计量仪表等)进行连接，收集和汇总碳排放量数据。碳排放量时序排列模块120将被监控企业在预定时间周期内多天的碳排放量按照时间维度进行排列，形成一个碳排放量时序输入向量，这样做可以将数据按照时间的顺序组织起来，方便后续的时序分析和处理。碳排放时序特征分析模块130对碳排放量时序输入向量进行多尺度时序特征分析，它可以使用各种时序分析技术和算法，以提取出碳排放量数据中的多尺度时序关联特征，这些特征可能包括趋势、周期性、季节性等，能够揭示碳排放量数据的规律和变化趋势。碳排放预警模块140基于碳排放量多尺度时序关联特征，确定是否产生碳排放量的预警提示，它可以根据预先设定的规则、阈值或模型，对碳排放量数据进行分析和比较，以判断当前的碳排放量是否超出了预期范围或存在异常情况，如果发现异常，该模块可以生成碳排放量预警提示，以便相关人员采取相应的措施。这些模块共同构成了基于大数据的产业园碳排放数据管理系统，通过数据采集、时序排列、特征分析和预警提示等功能，帮助监控和管理碳排放量，提供决策支持和预警服务，以促进低碳经济发展和环境保护。

具体地，在本申请的技术方案中，首先，获取被监控企业在预定时间周期内多天的碳排放量。接着，考虑到由于所述被监控企业的碳排放量在时间维度上具有着时序的动态变化规律，并且由于所述碳排放量的波动性和不确定性导致这种时序的动态变化规律在不同的时间周期跨度下呈现出不同的变化特征。因此，为了能够对于所述被监控企业的碳排放量时序变化模式和趋势进行分析，从而实现碳排放量的预警，在本申请的技术方案中，需要将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量，以此来整合所述碳排放量在时序上的分布信息。

然后，为了能够更为充分地分析所述被监控企业的碳排放量在时间维度上的变化情况，在本申请的技术方案中，进一步将所述碳排放量时序输入向量通过包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到碳排放量多尺度时序关联特征向量。特别地，这里，所述第一卷积层和所述第二卷积层分别使用不同尺度的一维卷积核来对于所述碳排放量时序输入向量进行特征提取，以提取出所述碳排放量在时间维度上的不同时间跨度下的多尺度时序关联特征信息，以得到第一尺度碳排放量时序关联特征向量和第二尺度碳排放量时序关联向量，再融合所述第一尺度碳排放量时序关联特征向量和所述第二尺度碳排放量时序关联向量以得到所述碳排放量多尺度时序关联特征向量，从而有利于后续对于该企业的年碳排放量进行预测和预警。

相应地，所述碳排放时序特征分析模块130，用于：将所述碳排放量时序输入向量通过包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到碳排放量多尺度时序关联特征向量作为所述碳排放量多尺度时序关联特征。应可以理解，进一步的，碳排放时序特征分析模块130作用是使用包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器，将碳排放量时序输入向量转换为碳排放量多尺度时序关联特征向量。具体来说，该模块可以使用卷积神经网络(CNN)或其他相关的深度学习模型作为特征提取器。这些模型的第一卷积层和第二卷积层可以用来捕捉碳排放量时序数据中的不同尺度的特征。通过这些卷积层的操作，模型可以自动学习并提取出与碳排放量变化相关的特征，例如局部的趋势、周期性、季节性等。提取得到的碳排放量多尺度时序关联特征向量可以用作后续的分析和预测。它们可以被输入到其他模型或算法中，用于进一步的数据挖掘、模式识别、异常检测等任务。这些特征向量的提取可以帮助揭示碳排放量数据中的潜在规律和关联性，为系统的碳排放量预警和决策支持提供更准确和全面的信息。因此，碳排放时序特征分析模块130的作用是通过卷积神经网络或其他相关模型，将碳排放量时序输入向量转化为具有多尺度时序关联特征的向量，以进一步分析和利用这些特征来提供更深入的洞察和应用。

更具体地，在所述碳排放时序特征分析模块130中，所述第一卷积层和所述第二卷积层具有不同尺度的一维卷积核。应可以理解，在碳排放时序特征分析模块中130，第一卷积层和第二卷积层具有不同尺度的一维卷积核是为了捕捉不同时间尺度上的特征。在时序数据中，不同的时间尺度对应着不同的特征模式。例如，较短的时间尺度可能对应着短期的波动和变化，而较长的时间尺度可能对应着长期的趋势和周期性。通过使用具有不同尺度的一维卷积核，可以在不同时间尺度上对时序数据进行特征提取。具体来说，较小尺度的一维卷积核可以捕捉较短时间尺度上的局部特征，例如瞬时的波动或快速变化。这些卷积核可以帮助识别时序数据中的细微变化和短期趋势。而较大尺度的一维卷积核则适用于捕捉较长时间尺度上的整体特征，例如长期的趋势或周期性。这些卷积核可以帮助识别时序数据中的长期趋势、季节性变化或周期性模式。通过同时使用具有不同尺度的一维卷积核，模型可以在多个时间尺度上对时序数据进行全面的特征提取。这样可以更好地捕捉到碳排放量时序数据中的不同尺度的特征模式，提高模型对数据的理解能力和表达能力。因此，不同尺度的一维卷积核在碳排放时序特征分析模块中的意义在于能够从多个时间尺度上提取特征，以更全面、准确地描述碳排放量时序数据的特征和变化模式。

值得一提的是，卷积层是深度学习神经网络中的一种基本层类型，用于从输入数据中提取特征。在卷积层中，通过应用卷积操作，输入数据与一组可学习的滤波器(也称为卷积核)进行卷积运算，从而生成输出特征图。卷积操作是一种数学运算，它通过在输入数据上滑动卷积核并进行逐元素乘积和求和的方式来计算输出特征图的每个元素。这个过程可以看作是一种局部感知的操作，通过在输入数据的不同位置应用卷积核，可以捕捉到不同位置的局部特征。卷积层的主要作用是提取输入数据的局部特征，因为卷积核的参数是共享的，所以卷积层可以有效地减少网络的参数量。此外，卷积层还具有平移不变性的特性，即对于输入数据的平移，卷积层提取的特征模式是相同的，这在图像处理和时序数据分析等任务中非常有用。换言之，卷积层是深度学习神经网络中的一种层类型，通过卷积操作提取输入数据的局部特征，为网络学习和表示复杂模式提供基础。

进一步地，将所述碳排放量多尺度时序关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示年碳排放量预测值。也就是说，利用所述被监控企业在预定时间周期内多天的碳排放量的时序多尺度变化特征来进行解码回归，从而基于该周期内的碳排放量时序多尺度变化情况来进行被监控企业的年碳排放量预测，并基于年碳排放量预测值和预定阈值之间的比较，确定是否产生碳排放量预警提示。这样，能够实现对产业园的碳排放数据的准确管理和分析，并提供及时的预警提示，以促使企业采取有效的减排措施，从而帮助产业园实现可持续发展和环境保护的目标。

相应地，如图2所示，所述碳排放预警模块140，包括：年碳排放量预测单元141，用于将所述碳排放量多尺度时序关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示年碳排放量预测值；以及，预警单元142，用于基于所述解码值和预定阈值之间的比较，确定是否产生碳排放量预警提示。应可以理解，在碳排放预警模块中，包括年碳排放量预测单元141和预警单元142。年碳排放量预测单元141的主要功能是进行年度碳排放量的预测。它接收碳排放量的多尺度时序关联特征向量，并通过解码器进行解码回归，以得到解码值。解码值表示了预测的年碳排放量。通过训练模型并学习时序数据的模式和趋势，预测单元可以根据历史数据和特征向量来预测未来的年碳排放量。这个功能对于预测和规划碳排放量非常有用，可以帮助企业或组织做出相应的调整和决策。预警单元142的作用是基于解码值和预定阈值之间的比较，确定是否产生碳排放量的预警提示。预警单元接收年碳排放量的解码值，并与预先设定的阈值进行比较。如果解码值超过或低于设定的阈值，预警单元将确定产生碳排放量的预警提示。这个功能可以帮助监测碳排放量是否超过预期范围，及时发现异常情况并采取相应的措施。预警提示可以提醒相关人员注意和采取行动，以减少碳排放量或优化碳排放管理。综合的说，年碳排放量预测单元用于预测未来年度的碳排放量，而预警单元用于检测和判断是否产生碳排放量的预警提示。这两个单元共同构成了碳排放预警模块，为碳排放管理提供了预测和预警功能，以支持决策和采取相应的措施。

进一步地，在本申请的技术方案中，所述的基于大数据的产业园碳排放数据管理系统，其还包括用于对所述包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器和所述解码器进行训练的训练模块。应可以理解，训练模块在基于大数据的产业园碳排放数据管理系统中具有以下用途：1.特征提取器的训练：训练模块用于对包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器进行训练。特征提取器是系统中的一个重要组件，它负责从原始的碳排放数据中提取有用的特征。通过训练模块，可以使用大量的标记数据对特征提取器进行训练，使其能够学习到对碳排放量时序数据具有区分能力的特征表示。训练模块通过优化算法和反向传播等技术，根据训练数据的标签信息来调整特征提取器的参数，使其能够更好地捕捉到数据中的有用特征。2.解码器的训练：训练模块还用于对解码器进行训练。解码器是在特征提取器的基础上进行解码回归的组件，用于将特征向量解码为年碳排放量的预测值。通过训练模块，可以使用带有年度碳排放量标签的数据对解码器进行训练。训练模块根据训练数据的标签信息和解码器的输出之间的误差，通过优化算法来调整解码器的参数，使其能够准确地预测年碳排放量。通过训练模块的训练过程，解码器可以逐渐学习到正确的解码规律和模式。换言之，训练模块在基于大数据的产业园碳排放数据管理系统中的作用是通过使用标记数据对特征提取器和解码器进行训练，使其能够学习到适合碳排放数据的特征表示和预测能力，从而提高系统的准确性和性能。

更具体地，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括被监控企业在预定时间周期内多天的训练碳排放量，以及，所述年碳排放量预测值的真实值；训练碳排放时序排列单元，用于将所述被监控企业在预定时间周期内多天的训练碳排放量按照时间维度排列为训练碳排放量时序输入向量；训练碳排放量时序特征提取单元，用于将所述训练碳排放量时序输入向量通过所述包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到训练碳排放量多尺度时序关联特征向量；解码损失单元，用于将所述训练碳排放量多尺度时序关联特征向量通过所述解码器以得到解码损失函数值；损失函数计算单元，用于计算训练第一尺度碳排放量时序关联特征向量和训练第二尺度碳排放量时序关联向量的损失函数值；以及，模型训练单元，用于基于所述解码损失函数值和所述损失函数值的加权和并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器和所述解码器进行训练。

特别地，在本申请的技术方案中，在将所述训练碳排放量时序输入向量通过包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器时，所述碳排放量多尺度时序关联特征提取器分别通过所述第一卷积层和所述第二卷积层对所述训练碳排放量时序输入向量进行基于不同尺度的一维卷积编码以捕捉所述训练碳排放量时序输入向量中不同时域跨度空间内碳排放量的局部时域关联特征以得到训练第一尺度碳排放量时序关联特征向量和训练第二尺度碳排放量时序关联向量。由此，所述训练第一尺度碳排放量时序关联特征向量相对于所述训练第二尺度碳排放量时序关联向量具有不同的局部时域特征群密度表示，使得在融合所述训练第一尺度碳排放量时序关联特征向量和所述训练第二尺度碳排放量时序关联向量以得到训练碳排放量多尺度时序关联特征向量的过程中，所述训练碳排放量多尺度时序关联特征向量的特征分布的鲁棒性较差，影响模型的整体训练效率。

因此，本申请考虑提升所述训练第一尺度碳排放量时序关联特征向量相对于所述训练第二尺度碳排放量时序关联向量的特征群密度表示一致性，从而进一步引入了用于所述训练第一尺度碳排放量时序关联特征向量和所述训练第二尺度碳排放量时序关联向量的损失函数。

进一步地，所述损失函数计算单元，用于：以如下损失函数计算公式计算训练第一尺度碳排放量时序关联特征向量和训练第二尺度碳排放量时序关联向量的损失函数值；

其中，所述损失函数计算公式为：

其中，V₁是所述训练第一尺度碳排放量时序关联特征向量，V₂是所述训练第二尺度碳排放量时序关联向量，且训练第一尺度碳排放量时序关联特征向量V₁和训练第二尺度碳排放量时序关联向量V₂长度相同，L是特征向量的长度，v_1i是所述训练第一尺度碳排放量时序关联特征向量的第i个位置的特征值，v_2i是所述训练第二尺度碳排放量时序关联向量的第i个位置的特征值，表示向量的按位置相减，且/>表示向量的二范数的平方，Loss表示损失函数值。

这里，所述损失函数基于特征群密度来进行群计数注意力，其通过将群计数作为输出特征群密度的递归映射，来进行所述训练第一尺度碳排放量时序关联特征向量和所述训练第二尺度碳排放量时序关联向量之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型，可以使得模型针对所述训练第一尺度碳排放量时序关联特征向量和所述训练第二尺度碳排放量时序关联向量的特征分布下的不同密度模式来避免过估计和欠估计，并学习特征值分布与群密度分布之间的对应关系，从而实现具有不同特征密度的所述训练第一尺度碳排放量时序关联特征向量和所述训练第二尺度碳排放量时序关联向量之间的特征群密度表示一致性优化，以提升模型的整体训练效率。这样，能够实现对产业园的碳排放数据的有效管理和分析，并提供及时的预警提示，从而促使企业采取有效的减排措施，帮助产业园实现可持续发展和环境保护的目标。

进一步地，所述解码损失单元，用于：使用所述解码器的多个全连接层以如下解码回归公式对所述训练碳排放量多尺度时序关联特征向量进行解码回归以获得训练解码值，其中，所述解码回归公式为：其中，V₁是所述训练碳排放量多尺度时序关联特征向量，Y是所述训练解码值，M₁是权重矩阵，B是偏置向量，/>表示矩阵乘，h(·)为激活函数；以及，计算所述训练解码值和所述年碳排放量预测值的真实值之间的方差作为所述解码损失函数值。

综上，基于本申请实施例的基于大数据的产业园碳排放数据管理系统100被阐明，其可以帮助产业园实现可持续发展和环境保护的目标。

如上所述，根据本申请实施例的基于本申请实施例的基于大数据的产业园碳排放数据管理系统100可以实现在各种终端设备中，例如具有基于本申请实施例的基于大数据的产业园碳排放数据管理算法的服务器等。在一个示例中，基于本申请实施例的基于大数据的产业园碳排放数据管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的基于大数据的产业园碳排放数据管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的基于大数据的产业园碳排放数据管理系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于本申请实施例的基于大数据的产业园碳排放数据管理系统100与该终端设备也可以是分立的设备，并且该基于大数据的产业园碳排放数据管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图3为根据本申请实施例的基于大数据的产业园碳排放数据管理方法的流程图。图4为根据本申请实施例的基于大数据的产业园碳排放数据管理方法的系统架构的示意图。如图3和图4所示，根据本申请实施例的基于大数据的产业园碳排放数据管理方法，其包括：S110，获取被监控企业在预定时间周期内多天的碳排放量；S120，将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量；S130，对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征；以及，S140，基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。

在一个具体示例中，在上述基于大数据的产业园碳排放数据管理方法中，对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征，包括：将所述碳排放量时序输入向量通过包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到碳排放量多尺度时序关联特征向量作为所述碳排放量多尺度时序关联特征。

这里，本领域技术人员可以理解，上述基于大数据的产业园碳排放数据管理方法中的各个步骤的具体操作已经在上面参考图1到图4的基于大数据的产业园碳排放数据管理系统100的描述中得到了详细介绍，并因此，将省略其重复描述。

图5为根据本申请实施例的基于大数据的产业园碳排放数据管理系统的应用场景图。如图5所示，在该应用场景中，首先，获取被监控企业在预定时间周期内多天的碳排放量(例如，图5中所示意的D)，然后，将所述被监控企业在预定时间周期内多天的碳排放量输入至部署有基于大数据的产业园碳排放数据管理算法的服务器中(例如，图5中所示意的S)，其中，所述服务器能够使用所述基于大数据的产业园碳排放数据管理算法对所述被监控企业在预定时间周期内多天的碳排放量进行处理以得到用于表示年碳排放量预测值的解码值。

应可以理解，本申请实施例的基于大数据的产业园碳排放数据管理系统，其还能够对园区各企业碳排放数据录入，录入数据包括数据名称、来源、排放因子，活动数据信息等；能够对碳排放数据进行校验，通过校验规则设置、校验报警提醒等，实现数据超阈值提醒和数据校验报警，确保数据的准确性和完整性，减少数据采集误差；可以对经校验的数据进行分类、整理、汇总、核算；支持上报的碳排放数据的实时监测、自动分类、计算和分析；支持碳排报告生成，根据报告生成规则，基础模板的设计，下属企业完成了碳排放数据的录入和审核后，系统会自动生成相应的碳排放数据报告；支持基础数据设置，对一些规则以及工具类功能，需要在系统中预先设定好基础配置，例如数据校验规则、碳排报告模板等；支持排放因子管理，建立碳排放因子数据库，对碳排放数据上报后，数据的核算、审核以及生成报告都有数据指导作用；支持碳排信息核查反馈，配合第三方碳排放核查后，录入或者导入核查结果反馈信息。

进一步地，关于碳排放额度管理，其支持配额试算，预设配额分配规则，使用配额试算工具，得出预计配额方案；支持对园区产业的碳排放额度进行配额分配，配额划转，配额拍卖，配额登记；园区产业用户可以查询产业的碳排放额度，资金出入查询，交易成交信息查看；还可随时动态查看企业的配额变化情况。关于支持配额使用管理，各企业可根据生产经营活动需要对配额的使用制定计划安排，并持续跟踪使用情况，加强配额管理能力，园区可随时查看配额计划及使用内容，指导控排企业的资源合理配置。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种基于大数据的产业园碳排放数据管理系统，其特征在于，包括：

数据采集模块，用于获取被监控企业在预定时间周期内多天的碳排放量；

碳排放量时序排列模块，用于将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量；

碳排放时序特征分析模块，用于对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征；以及

碳排放预警模块，用于基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。

2.根据权利要求1所述的基于大数据的产业园碳排放数据管理系统，其特征在于，所述碳排放时序特征分析模块，用于：

将所述碳排放量时序输入向量通过包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到碳排放量多尺度时序关联特征向量作为所述碳排放量多尺度时序关联特征。

3.根据权利要求2所述的基于大数据的产业园碳排放数据管理系统，其特征在于，所述第一卷积层和所述第二卷积层分别使用不同尺度的一维卷积核来对于所述碳排放量时序输入向量进行特征提取以得到第一尺度碳排放量时序关联特征向量和第二尺度碳排放量时序关联向量，再融合所述第一尺度碳排放量时序关联特征向量和所述第二尺度碳排放量时序关联向量以得到所述碳排放量多尺度时序关联特征向量。

4.根据权利要求3所述的基于大数据的产业园碳排放数据管理系统，其特征在于，所述碳排放预警模块，包括：

年碳排放量预测单元，用于将所述碳排放量多尺度时序关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示年碳排放量预测值；以及

预警单元，用于基于所述解码值和预定阈值之间的比较，确定是否产生碳排放量预警提示。

5.根据权利要求4所述的基于大数据的产业园碳排放数据管理系统，其特征在于，还包括用于对所述包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器和所述解码器进行训练的训练模块。

6.根据权利要求5所述的基于大数据的产业园碳排放数据管理系统，其特征在于，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括被监控企业在预定时间周期内多天的训练碳排放量，以及，所述年碳排放量预测值的真实值；

训练碳排放时序排列单元，用于将所述被监控企业在预定时间周期内多天的训练碳排放量按照时间维度排列为训练碳排放量时序输入向量；

训练碳排放量时序特征提取单元，用于将所述训练碳排放量时序输入向量通过所述包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到训练碳排放量多尺度时序关联特征向量；

解码损失单元，用于将所述训练碳排放量多尺度时序关联特征向量通过所述解码器以得到解码损失函数值；

损失函数计算单元，用于计算训练第一尺度碳排放量时序关联特征向量和训练第二尺度碳排放量时序关联向量的损失函数值；以及

模型训练单元，用于基于所述解码损失函数值和所述损失函数值的加权和并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器和所述解码器进行训练。

7.根据权利要求6所述的基于大数据的产业园碳排放数据管理系统，其特征在于，所述损失函数计算单元，用于：以如下损失函数计算公式计算训练第一尺度碳排放量时序关联特征向量和训练第二尺度碳排放量时序关联向量的损失函数值；

其中，所述损失函数计算公式为：

其中，V₁是所述训练第一尺度碳排放量时序关联特征向量，V₂是所述训练第二尺度碳排放量时序关联向量，且训练第一尺度碳排放量时序关联特征向量V₁和训练第二尺度碳排放量时序关联向量V₂长度相同，L是特征向量的长度，v_1i是所述训练第一尺度碳排放量时序关联特征向量的第i个位置的特征值，v_2i是所述训练第二尺度碳排放量时序关联向量的第i个位置的特征值，表示向量的按位置相减，且/>表示向量的二范数的平方，Loss表示损失函数值。

8.根据权利要求7所述的基于大数据的产业园碳排放数据管理系统，其特征在于，所述解码损失单元，用于：

使用所述解码器的多个全连接层以如下解码回归公式对所述训练碳排放量多尺度时序关联特征向量进行解码回归以获得训练解码值，其中，所述解码回归公式为：其中，V₁是所述训练碳排放量多尺度时序关联特征向量，Y是所述训练解码值，M₁是权重矩阵，B是偏置向量，/>表示矩阵乘，h(·)为激活函数；以及

计算所述训练解码值和所述年碳排放量预测值的真实值之间的方差作为所述解码损失函数值。

9.一种基于大数据的产业园碳排放数据管理方法，其特征在于，包括：

获取被监控企业在预定时间周期内多天的碳排放量；

将所述被监控企业在预定时间周期内多天的碳排放量按照时间维度排列为碳排放量时序输入向量；

对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征；以及

基于所述碳排放量多尺度时序关联特征，确定是否产生碳排放量预警提示。

10.根据权利要求9所述的基于大数据的产业园碳排放数据管理方法，其特征在于，对所述碳排放量时序输入向量进行多尺度时序特征分析以得到碳排放量多尺度时序关联特征，包括：

将所述碳排放量时序输入向量通过包含第一卷积层和第二卷积层的碳排放量多尺度时序关联特征提取器以得到碳排放量多尺度时序关联特征向量作为所述碳排放量多尺度时序关联特征。