CN113205225A - 一种碳排放达峰的关键因子识别方法、***及数据平台 - Google Patents
一种碳排放达峰的关键因子识别方法、***及数据平台 Download PDFInfo
- Publication number
- CN113205225A CN113205225A CN202110587453.9A CN202110587453A CN113205225A CN 113205225 A CN113205225 A CN 113205225A CN 202110587453 A CN202110587453 A CN 202110587453A CN 113205225 A CN113205225 A CN 113205225A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- time node
- key
- time periods
- different time
- 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
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种碳排放达峰的关键因子识别方法、***及数据平台,该方法包括:从影响碳排放达峰的影响因子中识别出关键因子;根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值;根据碳排放强度时间节点之前的数据推测时间节点之后不同时间段的碳排放强度;根据碳排放强度、国内生产总值GDP的预测值确定时间节点之后的碳排放总量;根据时间节点之后的碳排放总量和关键因子的预测值识别出与时间节点之后的关键因子。本方案通过对时间节点之后关键因子的预测值、碳排放总量进行预测,从而识别出时间节点之后不同时间段的关键因子,为未来不同时间段的碳排放趋势作出科学判断提供决策基础。
Description
技术领域
本发明属于碳排放达峰的关键因子识别技术领域,具体地涉及一种碳排放达峰的关键因子识别方法、***及数据平台。
背景技术
2016年,中国政府正式签署《巴黎协定》,标志着中国郑重承诺在2030年左右二氧化碳排放达到峰值,实现单位国内生产总值二氧化碳排放比2005年下降60%~65%的目标。2020年9月,中国在***大会上宣布,二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和。在气候雄心峰会上,中国提出到2030年,中国单位国内生产总值二氧化碳排放将比2005年下降65%以上,非化石能源占一次能源消费比重将达到25%左右。如何实现这样的目标,不仅是中国政府面临的重大决策问题,也是全社会乃至国际社会关注的热点话题。中国的碳排放达峰与碳中和战略是中国高质量发展的内在需求,其影响因子数量众多,识别关键因子是中国实现碳排放达峰、碳中和目标的科学基础。
国内外学者对于影响碳强度变化的因子解析主要从能源结构、产业结构、技术进步和居民消费以及土地利用等方面展开论述。碳排放达峰的碳排放达峰的在不同发展阶段,对于碳排放达峰的重要程度不尽相同。识别及预判未来碳达峰不同阶段的关键因子,可为中国碳排放未来长期趋势作出科学判断的决策基础。
发明内容
为了解决上述技术问题,本发明提供一种碳排放达峰的关键因子识别方法、***及数据平台。
本发明通过以下技术方案实现:
本发明第一方面提供一种碳排放达峰的关键因子识别方法,包括以下步骤:
从影响碳排放的影响因子中识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子;
根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值;
根据所述时间节点之前的碳排放强度数据推测所述时间节点之后不同时间段的碳排放强度的预测值;
根据所述时间节点之后不同时间段的碳排放强度的预测值、所述时间节点之后不同时间段的国内生产总值GDP的预测值确定所述时间节点之后不同时间段的碳排放总量的预测值;
根据所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子。
本方案通过对一时间节点之后关键因子的预测值、碳排放强度、碳排放总量等进行预测,从而识别出该时间节点之后不同时间段的关键因子,从而为未来不同时间段的碳排放趋势作出科学判断提供决策基础。采用该方法识别出的未来不同时间段的关键因子,其准确性高,可提高碳排放趋势判断决策的准确性。
在一种可能的设计中,所述从影响碳排放的影响因子中识别出关键因子包括:
将影响碳排放的影响因子输入已训练完成的随机森林模型中得到影响因子的熵值权重;
根据影响因子的熵值权重识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子。
本方案采用随机森林模型实现关键因子的筛选识别,可提高分类精度、运算速度,且运行结果稳健和泛化能力强,为未来不同时间段的关键因子识别提供基础,提高未来不同时间段的关键因子识别的准确性。
在一种可能的设计中,采用差分自回归移动平均模型ARIMA根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值。
在一种可能的设计中,所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子,包括:
将所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段关键因子的预测值输入已训练完成的随机森林模型中,得到与所述时间节点之后不同时间段相对应的关键因子及该关键因子的熵值权重;
根据关键因子的熵值权重识别出与所述时间节点之后不同时间段相对应的关键因子,所述与所述时间节点之后不同时间段相对应的关键因子为熵值权重超过一阈值的关键因子。
本发明第二方面提供一种碳排放达峰的关键因子识别***,包括:
一关键因子确认单元,所述关键因子确认单元用于从影响碳排放的影响因子中识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子;
一关键因子预测单元,所述关键因子预测单元用于根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值;
一碳排放强度预测单元,所述碳排放强度预测单元用于根据所述时间节点之前的碳排放强度数据推测所述时间节点之后不同时间段的碳排放强度的预测值;
一碳排放总量预测单元,所述碳排放总量预测单元用于根据所述时间节点之后不同时间段的碳排放强度的预测值、所述时间节点之后不同时间段的国内生产总值GDP的预测值确定所述时间节点之后不同时间段的碳排放总量的预测值;
一关键因子识别单元,所述关键因子识别单元用于根据所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子。
在一种可能的设计中,所述关键因子确认单元包括依次信号连接的第一随机森林模型和第一确认模块,
所述第一随机森林模型以影响因子为输入,以影响因子的熵值权重为输出;
所述第一确认模块用于将熵值权重超过一阈值的影响因子确认为关键因子。
在一种可能的设计中,所述关键因子识别单元包括依次信号连接的第二随机森林模型和第二确认模块,
所述第二随机森林模型以碳排放总量的预测值及关键因子的预测值为输入,以关键因子的熵值权重为输出;
所述第二确认模块用于将熵值权重超过一阈值的关键因子确认为该阶段的关键因子。
本发明第三方面提供一种碳排放达峰的关键因子识别***,包括通信相连的存储器和处理器,其中,所述存储器用于存储计算机程序,所述处理器用于读取所述计算机程序,执行如第一方面及其任意一种可能中的碳排放达峰的关键因子识别方法。
本发明第四方面提供一种数据平台,所述数据平台上存储有指令,当所述指令在运行时,执行如第一方面及其任意一种可能中的碳排放达峰的关键因子识别方法。
本发明与现有技术相比,至少具有以下优点和有益效果:
本发明的方法通过对时间节点之后关键因子的预测值、碳排放总量进行预测,从而识别出时间节点之后不同时间段的关键因子,从而为未来不同时间段的碳排放趋势作出科学判断提供决策基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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是本发明方法的流程图。
图2是本发明设备的原理框图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,还应当注意到在一些备选可能设计中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出***,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以非必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
本发明第一方面提供一种碳排放达峰的关键因子识别方法,该识别方法可以由一识别装置来执行,识别装置可以为软件,或者为软件和硬件的组合,识别装置可以集成设置在服务器、终端设备等中。具体的,如图1所示,该碳排放达峰的关键因子识别方法包括以下步骤S101~步骤S105。
步骤S101、从影响碳排放的众多影响因子中识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子。
影响碳排放的影响因子众多,本方案中其数据来源包括Maddison项目数据库、国际能源署(International Energy Agency,IEA)数据库、《中国能源统计年鉴》《中国工业统计年鉴》、《中国统计年鉴》等。遵循已有的文献成果和因子指标间尽可能避免信息重叠的原则,本实施例从与碳强度密切相关的能源结构、产业结构、技术进步和居民消费方面选定了多个影响因子指标,并归纳为化石能源占比、化石能源价格、新能源占比、高能耗产业规模及占比、服务业占比、技术进步、居民传统消费和居民新兴消费等类别。本实施例以中国碳排放量达到峰值即碳达峰及其关键因子的选取为例进行说明,整个过程以中国统计年鉴资料为准,国外的数据资料作为参考,同时对部分缺失的资料进行了插值处理。
从影响碳排放的影响因子中识别出关键因子的方法很多,譬如Bagging算法、Boosting算法和随机森林算法。本方案采用随机森林算法,基于Bootstrap抽样和CART算法,利用Bootstrap抽样方法从原始样本中抽取多个样本,对每个Bootstrap样本进行决策树建模,然后将上述决策树组合起来,通过投票得分规则获得不同因子的熵值权重排序。采用随机森林模型实现关键因子的识别,可提高分类精度、运算速度,且运行结果稳健和泛化能力强。
将上述选取出的影响因子进行归一化处理后,输入已训练完成的随机森林模型中,得到各影响因子的熵值权重;根据影响因子的熵值权重识别出关键因子,即识别出熵值权重较大即熵值权重超过一阈值的影响因子作为关键因子,熵值权重越大,表明其权重越大,对碳排放的影响越大。
步骤S102、根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值。
本方法中,时间节点的选择根据预测时间来确定,譬如,若要筛选识别2021年整年或者2021年至2030年各年份的关键因子,则可将时间节点设置为2020年。根据2020年之前各年份的关键因子预测2021年至2030年各年份的关键因子的预测值,以服务业占比为例,可将2020年之前各年份的服务业占比输入至差分自回归移动平均模型ARIMA中,推演服务业占比的演变趋势,得到2021年至2030年各年份服务业占比的预测值。对于其他关键因子,同样可采用相同的方法得到其预测值。预测值获取的准确性直接关系到与未来不同时间段相对应的关键因子的识别的准确性,此时,可采用蒙特卡罗法对所述关键因子的预测值进行检验。蒙特卡罗法也称统计模拟法、统计试验法,是把概率现象作为研究对象的数值模拟方法,是按抽样调查法求取统计值来推定未知特性量的计算方法。
步骤S103、根据所述时间节点之前的碳排放强度数据推测所述时间节点之后不同时间段的碳排放强度的预测值。
同样的,此步骤可将2020年之前各年份的碳排放强度的数据输入至差分自回归移动平均模型ARIMA中,推演碳排放强度的演变趋势,得到2021年至2030年各年份碳排放强度的预测值。
步骤S104、根据所述时间节点之后不同时间段的碳排放强度的预测值、所述时间节点之后不同时间段的国内生产总值GDP的预测值确定所述时间节点之后不同时间段的碳排放总量的预测值。
时间节点之后不同时间段的国内生产总值GDP的预测值是根据国内历史生产总值预估的,根据国内生产总值GDP的变化趋势设定的场景可能是基准情景、乐观情景等,针对不同的情形,预估的国内生产总值GDP的变化趋势不同。
具体的,碳排放总量=碳排放强度*国内生产总值GDP,由此可根据2021年至2030年各年份碳排放强度的预测值、2021年至2030年各年份国内生产总值GDP的预测值拟合得到2021年至2030年各年份碳排放总量。本实例采用碳强度*GDP的方式对碳排放总量进行预测,而不是直接预测碳排放总量,主要是因为中国对碳强度设定了60%~65%的减排目标,并在气候雄心峰会上提高到65%以上,相对量化过程更为精准。
步骤S105、根据所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子。具体的,将时间节点之后不同时间段的碳排放总量的预测值、时间节点之后不同时间段关键因子的预测值输入已训练完成的随机森林模型中,得到与时间节点之后不同时间段相对应的关键因子及该关键因子的熵值权重。根据关键因子的熵值权重识别出与时间节点之后不同时间段相对应的关键因子,与时间节点之后不同时间段相对应的关键因子为熵值权重超过一阈值的关键因子。
譬如,若针对2020年,关键因子中化石能源占比、化石能源价格、新能源占比、高能耗产业规模及占比、服务业占比、技术进步、居民传统消费和居民新兴消费的熵值权重分别为0.925、0.851、0.895、0.854、0.651、0.912、0.852、0.721,若阈值设置为0.8,则识别出的2021年碳排放达峰的关键因子包括化石能源占比、化石能源价格、新能源占比、高能耗产业规模及占比、技术进步和居民传统消费。
若针对2025年,关键因子中化石能源占比、化石能源价格、新能源占比、高能耗产业规模及占比、服务业占比、技术进步、居民传统消费和居民新兴消费的熵值权重分别为0.705、0.799、0.854、0.762、0.801、0.791、0.730、0.820,则识别出的2025年碳排放达峰的关键因子包括新能源占比、服务业占比和居民新兴消费。
本发明第二方面提供一种碳排放达峰的关键因子识别***,如图2所示,该识别***包括一关键因子确认单元、一关键因子预测单元、一碳排放强度预测单元、一碳排放总量预测单元和一关键因子识别单元。
所述关键因子确认单元用于从影响碳排放的影响因子中识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子。所述关键因子确认单元包括一已训练完成的第一随机森林模型及一第一确认模块,该第一随机森林模型以影响因子为输入,以影响因子的熵值权重为输出;该第一确认模块根据影响因子的熵值权重识别出关键因子,即将熵值权重超过一阈值的影响因子确认为关键因子。
所述关键因子预测单元用于根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值。
所述碳排放强度预测单元用于根据所述时间节点之前的碳排放强度数据推测所述时间节点之后不同时间段的碳排放强度的预测值。
所述碳排放总量预测单元用于根据所述时间节点之后不同时间段的碳排放强度的预测值、所述时间节点之后不同时间段的国内生产总值GDP的预测值确定所述时间节点之后不同时间段的碳排放总量的预测值。
所述关键因子识别单元用于根据所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子。所述关键因子识别单元包括一已训练完成的第二随机森林模型及一第二确认模块,该第二随机森林模型以某一阶段的碳排放总量及该阶段的关键因子的预测值为输入,以该阶段的关键因子的熵值权重为输出;该第二确认模块根据关键因子的熵值权重识别出该阶段的关键因子,即将熵值权重超过一阈值的关键因子确认为该阶段的关键因子。
本发明第三方面提供一种***,包括通信相连的存储器和处理器,其中,所述存储器用于存储计算机程序,所述处理器用于读取所述计算机程序,执行如第一方面及其任意一项所述的碳排放达峰的关键因子识别方法。具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本发明第四方面提供一种数据平台,所述数据平台上存储有指令,当所述指令在运行时,执行如第一方面及其任意一项所述的碳排放达峰的关键因子识别方法。其中,所述数据平台是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (9)
1.一种碳排放达峰的关键因子识别方法,其特征在于,包括以下步骤:
从影响碳排放的影响因子中识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子;
根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值;
根据所述时间节点之前的碳排放强度数据推测所述时间节点之后不同时间段的碳排放强度的预测值;
根据所述时间节点之后不同时间段的碳排放强度的预测值、所述时间节点之后不同时间段的国内生产总值GDP的预测值确定所述时间节点之后不同时间段的碳排放总量的预测值;
根据所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子。
2.根据权利要求1所述的一种碳排放达峰的关键因子识别方法,其特征在于,所述从影响碳排放的影响因子中识别出关键因子包括:
将影响碳排放的影响因子输入已训练完成的随机森林模型中得到影响因子的熵值权重;
根据影响因子的熵值权重识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子。
3.根据权利要求1所述的一种碳排放达峰的关键因子识别方法,其特征在于,采用差分自回归移动平均模型ARIMA根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值。
4.根据权利要求1所述的一种碳排放达峰的关键因子识别方法,其特征在于,所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子,包括:
将所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段关键因子的预测值输入已训练完成的随机森林模型中,得到与所述时间节点之后不同时间段相对应的关键因子及该关键因子的熵值权重;
根据关键因子的熵值权重识别出与所述时间节点之后不同时间段相对应的关键因子,所述与所述时间节点之后不同时间段相对应的关键因子为熵值权重超过一阈值的关键因子。
5.一种碳排放达峰的关键因子识别***,其特征在于,包括:
一关键因子确认单元,所述关键因子确认单元用于从影响碳排放的影响因子中识别出关键因子,所述关键因子为熵值权重超过一阈值的影响因子;
一关键因子预测单元,所述关键因子预测单元用于根据一时间节点之前的关键因子数据估计所述时间节点之后不同时间段的关键因子的预测值;
一碳排放强度预测单元,所述碳排放强度预测单元用于根据所述时间节点之前的碳排放强度数据推测所述时间节点之后不同时间段的碳排放强度的预测值;
一碳排放总量预测单元,所述碳排放总量预测单元用于根据所述时间节点之后不同时间段的碳排放强度的预测值、所述时间节点之后不同时间段的国内生产总值GDP的预测值确定所述时间节点之后不同时间段的碳排放总量的预测值;
一关键因子识别单元,所述关键因子识别单元用于根据所述时间节点之后不同时间段的碳排放总量的预测值、所述时间节点之后不同时间段的关键因子的预测值识别出与所述时间节点之后不同时间段相对应的关键因子。
6.根据权利要求5所述的一种碳排放达峰的关键因子识别***,其特征在于:所述关键因子确认单元包括依次信号连接的第一随机森林模型和第一确认模块,
所述第一随机森林模型以影响因子为输入,以影响因子的熵值权重为输出;
所述第一确认模块用于将熵值权重超过一阈值的影响因子确认为关键因子。
7.根据权利要求5所述的一种碳排放达峰的关键因子识别***,其特征在于:所述关键因子识别单元包括依次信号连接的第二随机森林模型和第二确认模块,
所述第二随机森林模型以碳排放总量的预测值及关键因子的预测值为输入,以关键因子的熵值权重为输出;
所述第二确认模块用于将熵值权重超过一阈值的关键因子确认为该阶段的关键因子。
8.一种碳排放达峰的关键因子识别***,其特征在于,包括通信相连的存储器和处理器,其中,所述存储器用于存储计算机程序,所述处理器用于读取所述计算机程序,执行如权利要求1-4任意一项所述的碳排放达峰的关键因子识别方法。
9.一种数据平台,其特征在于,所述数据平台上存储有指令,当所述指令在运行时,执行如权利要求1-4任意一项所述的碳排放达峰的关键因子识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587453.9A CN113205225A (zh) | 2021-05-27 | 2021-05-27 | 一种碳排放达峰的关键因子识别方法、***及数据平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587453.9A CN113205225A (zh) | 2021-05-27 | 2021-05-27 | 一种碳排放达峰的关键因子识别方法、***及数据平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205225A true CN113205225A (zh) | 2021-08-03 |
Family
ID=77023328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587453.9A Pending CN113205225A (zh) | 2021-05-27 | 2021-05-27 | 一种碳排放达峰的关键因子识别方法、***及数据平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205225A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780632A (zh) * | 2021-08-19 | 2021-12-10 | 广东能源集团科学技术研究院有限公司 | 一种发电企业碳达峰预测方法及装置 |
CN113962468A (zh) * | 2021-10-29 | 2022-01-21 | 杭州青橄榄网络技术有限公司 | 基于用能监控统计能源消耗碳排放管理方法及*** |
CN114240005A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN114707774A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN114819305A (zh) * | 2022-04-13 | 2022-07-29 | 山东高速云南发展有限公司 | 一种基于碳排放度量尺度下的路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779157A (zh) * | 2016-11-18 | 2017-05-31 | 中铁第勘察设计院集团有限公司 | 区域能源消费需求的预测方法 |
CN108846526A (zh) * | 2018-08-08 | 2018-11-20 | 华北电力大学 | 一种二氧化碳排放量预测方法 |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
-
2021
- 2021-05-27 CN CN202110587453.9A patent/CN113205225A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779157A (zh) * | 2016-11-18 | 2017-05-31 | 中铁第勘察设计院集团有限公司 | 区域能源消费需求的预测方法 |
CN108846526A (zh) * | 2018-08-08 | 2018-11-20 | 华北电力大学 | 一种二氧化碳排放量预测方法 |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
Non-Patent Citations (3)
Title |
---|
刘卫东; 唐志鹏; 夏炎; 韩梦瑶; 姜宛贝: "中国碳强度关键影响因子的机器学习识别及其演进", 《地理学报》 * |
蒋卫祥著: "《大数据时代计算机数据处理技术探究》", 31 March 2019, 北京工业大学出版社 * |
韩梦瑶,刘卫东,唐志鹏,夏 炎: "世界主要国家碳排放影响因素分析——基于变系数面板模型", 《资源科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780632A (zh) * | 2021-08-19 | 2021-12-10 | 广东能源集团科学技术研究院有限公司 | 一种发电企业碳达峰预测方法及装置 |
CN113780632B (zh) * | 2021-08-19 | 2023-05-30 | 广东能源集团科学技术研究院有限公司 | 一种发电企业碳达峰预测方法及装置 |
CN113962468A (zh) * | 2021-10-29 | 2022-01-21 | 杭州青橄榄网络技术有限公司 | 基于用能监控统计能源消耗碳排放管理方法及*** |
CN114240005A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN114240005B (zh) * | 2022-02-24 | 2022-06-03 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN114819305A (zh) * | 2022-04-13 | 2022-07-29 | 山东高速云南发展有限公司 | 一种基于碳排放度量尺度下的路径规划方法 |
CN114819305B (zh) * | 2022-04-13 | 2023-03-14 | 山东高速云南发展有限公司 | 一种基于碳排放度量尺度下的路径规划方法 |
CN114707774A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
CN114707774B (zh) * | 2022-06-07 | 2022-08-26 | 山东科技大学 | 一种基于交通运输的碳排放量预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113205225A (zh) | 一种碳排放达峰的关键因子识别方法、***及数据平台 | |
CN105279397A (zh) | 一种识别蛋白质相互作用网络中关键蛋白质的方法 | |
CN115600824B (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
CN116822803B (zh) | 基于智能算法的碳排放数据图构建方法、装置与设备 | |
CN117332161A (zh) | 一种社交网络话题讨论影响力检测方法、*** | |
CN115907173A (zh) | 一种基于stirpat模型的碳峰值预测方法、***和装置 | |
CN111080481A (zh) | 一种基于马尔可夫链修正的电能替代潜力灰色分析方法 | |
CN111179068A (zh) | 一种企业履约信用级别的确定方法、装置及存储介质 | |
CN111709775A (zh) | 一种房产价格评估方法、装置、电子设备及存储介质 | |
CN117725437B (zh) | 一种基于机器学习的数据精准匹配分析方法 | |
CN115271218A (zh) | 基于电碳因子的碳排放量预测方法、装置、设备及介质 | |
CN112508440B (zh) | 数据质量评估方法、装置、计算机设备及存储介质 | |
CN112784435B (zh) | 一种基于性能事件计数和温度的gpu实时功率建模方法 | |
CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和*** | |
CN111310121A (zh) | 一种新能源出力概率预测方法和*** | |
CN116070958A (zh) | 归因分析方法、装置、电子设备和存储介质 | |
CN106816871B (zh) | 一种电力***状态相似性分析方法 | |
CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
CN115130374A (zh) | 一种工业精加工过程加工质量优化方法与*** | |
CN115993808A (zh) | 燃气蒸汽锅炉能耗诊断***及方法 | |
CN113377801A (zh) | 数据检验方法、装置、电子设备及计算机存储介质 | |
CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 |
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 |