CN114662780A - 碳排放量预测方法、装置、电子设备及存储介质 - Google Patents
碳排放量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114662780A CN114662780A CN202210360004.5A CN202210360004A CN114662780A CN 114662780 A CN114662780 A CN 114662780A CN 202210360004 A CN202210360004 A CN 202210360004A CN 114662780 A CN114662780 A CN 114662780A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- predicted
- neural network
- data set
- training
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 356
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 355
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 103
- 239000002245 particle Substances 0.000 claims abstract description 98
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 235000006732 Torreya nucifera Nutrition 0.000 description 3
- 244000111306 Torreya nucifera Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提供一种碳排放量预测方法、装置、电子设备及存储介质，包括：将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。本发明可以得到准确的碳排放量预测信息，提高了预测碳排放量的精度，实现了碳排放量的准确预测。
Description
技术领域
本发明涉及碳排放测量技术领域，尤其涉及一种碳排放量预测方法、装置、电子设备及存储介质。
背景技术
近年来，全球气候变暖已经是公认的当下世界环境问题最紧迫的挑战之一，而碳排放被认为是全球气温变化的最主要影响因素，因此，对碳排放量进行预测，控制碳排放具有重要意义。
目前，影响碳排放量的因素有很多，现有技术中通常采用传统的统计学方法进行碳排放量预测，然而预测效果并不理想。
因此，如何更好地对碳排放量进行预测已经成为业界亟待解决的问题。
发明内容
本发明提供一种碳排放量预测方法、装置、电子设备及存储介质，用以更好地对碳排放量进行预测。
本发明提供一种碳排放量预测方法，包括：
将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；
所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
根据本发明提供的一种碳排放量预测方法，在所述将待预测数据集输入到训练好的神经网络碳排放量预测模型之前，还包括：
获取多类碳排放影响因素的历史数据；
对所述多类碳排放影响因素的历史数据进行预处理，得到待预测数据集样本；
利用所述待预测数据集样本，对神经网络碳排放量预测模型进行训练。
根据本发明提供的一种碳排放量预测方法，对粒子群优化算法进行参数优化得到所述改进的粒子群优化算法的方法，包括：
基于预设优化策略，对粒子群优化算法的目标参数进行优化，得到所述改进的粒子群优化算法；所述目标参数包括惯性权重和粒子速度中的至少一项。
根据本发明提供的一种碳排放量预测方法，所述对所述多类碳排放影响因素的历史数据进行预处理，得到待预测数据集样本，包括：
对所述多类碳排放影响因素的历史数据进行数据统计处理，得到处理后的多类碳排放影响因素的历史数据；
基于广义迪氏指数分解法，对所述处理后的多类碳排放影响因素的历史数据进行分析，从所述多类碳排放影响因素中确定第一碳排放影响因素；
对碳排放量的历史数据和所述第一碳排放影响因素的历史数据进行关联分析，从所述第一碳排放影响因素中确定第二碳排放影响因素；
根据所述第二碳排放影响因素的历史数据，得到待预测数据集样本。
根据本发明提供的一种碳排放量预测方法，利用所述待预测数据集样本，对神经网络碳排放量预测模型进行训练，包括：
采取交叉验证的方法，从所述待预测数据集样本中得到训练数据集样本；
将所述训练数据集样本中的待预测数据样本和所述待预测数据样本携带的碳排放量标签作为一组训练样本，获取多组训练样本；
利用所述多组训练样本，对神经网络碳排放量预测模型进行训练。
根据本发明提供的一种碳排放量预测方法，所述利用所述多组训练样本，对神经网络碳排放量预测模型进行训练，包括：
对于任意一组训练样本，将所述训练样本输入神经网络碳排放量预测模型，输出所述训练样本对应的碳排放量预测信息；
利用预设损失函数，根据所述训练样本对应的碳排放量预测信息和所述训练样本中的碳排放量标签计算损失值；
若所述损失值小于预设阈值，则所述神经网络碳排放量预测模型训练完成。
本发明还提供一种碳排放量预测装置，包括：
预测模块，用于将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；
所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述碳排放量预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述碳排放量预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述碳排放量预测方法。
本发明提供的一种碳排放量预测方法、装置、电子设备及存储介质，通过根据预设优化策略，对粒子群优化算法进行参数优化及改进，以加快算法收敛速度，提高算法获得最优解的精度，进而采用改进的粒子群优化算法寻找最优参数，来确定预设的神经网络碳排放量预测模型的目标超参数，从而提高神经网络碳排放量预测模型的预测精度，并通过携带碳排放量标签的待预测数据集样本对神经网络碳排放量预测模型进行训练获得训练好的神经网络碳排放量预测模型，通过训练好的神经网络碳排放量预测模型对待预测数据集进行碳排放量的预测，可以得到准确的碳排放量预测信息，提高了预测碳排放量的精度，实现了碳排放量的准确预测。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的碳排放量预测方法的流程示意图；
图2是本发明提供的碳排放量预测方法的模型构建流程示意图；
图3是本发明提供的碳排放量预测装置的结构示意图；
图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图4描述本发明的一种碳排放量预测方法、装置、电子设备及存储介质。
图1是本发明提供的碳排放量预测方法的流程示意图，如图1所示，包括：
步骤110，将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到待预测数据集对应的碳排放量预测信息；
其中，该训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
具体地，本发明实施例所描述的待预测数据集指的是多类碳排放影响因素的历史数据，其中，多类碳排放影响因素可以包括但不限于年份、地区、国内生产总值(GrossDomestic Product，GDP)、人口数量、能源强度、能源价格、产业结构以及技术水平等，其中能源强度指的是单位GDP的能源消费，产业结构可以表示为第二产业产值占GDP的比重，技术水平可以表示低碳能源替代水平，可以用单位GDP的电力消耗来代替。
本发明实施例所描述的改进的粒子群优化算法是基于对粒子群优化算法(Particle Swarm Optimization，PSO)进行参数优化得到的，其具有更快的算法收敛速度，以及更好的寻优能力。
本发明实施例所描述的神经网络碳排放量预测模型可以是基于深度预测网络构建的，其用于基于待预测数据集对各地市未来时间段的碳排放量进行深度估计，得到碳排放量预测信息，其中，深度预测网络可以基于现有深度神经网络训练得到，通过训练深度神经网络模型，对输入或输出的非线性***进行辨识，有较好的稳定性，适用于碳排放量的测算，如考虑到径向基函数(Radial Basis Function，RBF)神经网络的逼近能力、分类能力和学习收敛速度快等方面优势，其可以采用RBF神经网络；其还可以采用反向传播(BackPropagation，BP)、长短期记忆(Long Short Term Mermory，LSTM)等神经网络，以及其他可以用于碳排放量预测的神经网络，在本发明中不做具体限定。
本发明实施例所描述的神经网络碳排放量预测模型的目标超参数指的是通过改进的PSO算法进行参数寻优所获得的网络超参数，例如，神经网络碳排放量预测模型可以采用RBF神经网络构建，目标超参数可以包括RBF神经网络中的宽度、网络中心向量和线性层的连接权值，神经网络碳排放量预测模型也可以称为PSO-RBF融合模型。
需要说明的是，神经网络进行参数的选择时使用的方法一般是随机梯度法，用该方法进行网络超参数的调整过程中，很容易陷入局部最优的情况，而无法找到最优解。因此，在本发明的实施例中，可以通过采用改进的PSO算法对粒子速度及位置进行更新优化，对神经网络碳排放量预测模型进行参数训练，不断迭代优化，寻找最优超参数，以获得最佳的神经网络碳排放量预测模型，以此可以极大地提高模型的预测精度。
本发明实施例所描述的训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本对神经网络碳排放量预测模型进行训练后得到的，用于对用户端输入的待预测数据集进行预测，学习碳排放量影响因素数据对碳排放量影响的内在规律，从而输出准确的待预测数据集对应的碳排放量预测信息。
可以理解的是，待预测数据集对应的碳排放量预测信息可以用于预测各地市未来一段时间的碳排放量变化趋势，预测的时间段可以是未来一年、两年或三年，等等。
其中，训练样本是由多组携带碳排放量标签的待预测数据样本组成的。
其中，本发明所描述的碳排放量标签是根据待预测数据集样本预先确定的，并与待预测数据集样本是一一对应的。也就是说，训练样本中的每一个待预测数据样本，都预先设定好携带一个与之对应的碳排放量标签。
基于上述实施例的内容，作为一种可选的实施例，对粒子群优化算法进行参数优化得到改进的粒子群优化算法的方法，包括：
基于预设优化策略，对粒子群优化算法的目标参数进行优化，得到改进的粒子群优化算法；目标参数包括惯性权重和粒子速度中的至少一项。
具体地，本发明实施例所描述的预先优化策略指的是预先设置的用于对PSO算法进行参数优化的策略。
本发明实施例所描述的目标参数指的是对PSO算法进行参数优化过程中所优化的算法参数，可以包括惯性权重和粒子速度中的至少一项。
在本实施例中，对PSO算法的惯性权重w进行参数优化时，预设优化策略可以是设计幂函数(1-x^2)^4调整惯性权重w值的更新策略，通过优化PSO算法中的w值搜索方式，确保在搜索初步阶段有较大的下降变化趋势，增大粒子搜索过程中每一步的步长，让粒子以更快的速度接近最优解，而在搜索的后期阶段，粒子速度变化降低，能够减少每一次速度更新的步长，让粒子更加稳定迅速地找到全局最优解，加快算法收敛速度，提高算法的精度。
更具体地，在本实施例中，根据幂函数确定的惯性权重更新策略为：
其中，wmax表示算法初始化过程中设定的最大惯性权重值，wmin表示设定的最小惯性权重值，t表示当前算法迭代次数，T表示算法设定的最大迭代次数。
在本实施例中，对PSO算法的粒子速度进行参数优化时，预设优化策略可以是设计好的粒子速度更新优化策略，即如果按照粒子当前速度进行迭代，令粒子全局最优解进行更新，代表粒子按照当前速度飞行能不断更新靠近全局最佳位置，找到更好的点位，当满足此条件时，就可令粒子保持当前速度进行飞行，从而加快算法的收敛；当不满足上述条件时，粒子的速度就进行常规的更新，进行下一次的迭代。
更具体地，在本实施例中，粒子速度更新优化策略为：
其中，i＝(1,2,3,…,n)，d＝(1,2,3,…,D)，
表示粒子i在维度d中的t+1次迭代时的速度，w表示惯性权重因子，c1、c2表示学习因子，r1、r2表示(0,1)之间的随机常数，
表示粒子i在维度d中的t+1次迭代时的位置，
表示粒子i在d维度中t+1次迭代的个体最佳位置，
表示粒子在维度d中t+1次迭代时的全局最佳位置，
表示粒子i在维度d中的t次迭代时的适应度值，
表示粒子i在维度d中的t-1次迭代时的适应度值。
本发明实施例的方法，通过根据预设优化策略对粒子群优化算法的目标参数进行优化，得到改进的粒子群优化算法，可以有效地加快PSO算法的收敛速度，提高PSO算法的精度。
图2是本发明提供的碳排放量预测方法的模型构建流程示意图，如图2所示，在本实施例中，采用RBF神经网络构建神经网络碳排放量预测模型，通过改进的PSO算法对RBF神经网络的目标超参数进行参数寻优，获得优化的RBF神经网络的步骤，具体可以包括：
步骤S210：基于RBF神经网络的目标参数确定粒子，即将RBF神经网络中的目标超参数即宽度σj、网络中心向量cj和线性层的连接权值wj，构成PSO算法中的粒子，记为：Xk＝(cj,σj,wj)；
步骤S220：设置粒子群优化算法的参数，即设置PSO算法的维度d，粒子个数n，粒子初始位置x，粒子速度v，迭代最大次数T；
步骤S230，进行种群初始化，初始化粒子群速度及位置；
步骤S240：计算粒子适应度值，选出个体最优粒子和全局最优粒子，即得到粒子Pbest和gbest；其中，Pbest表示个体最优粒子，gbest表示全局最优粒子；
步骤S250：采用改进的粒子群优化算法对粒子速度及位置进行更新计算，即使用改进的PSO算法对Pbest和gbest的粒子速度及位置进行更新，计算更新后的粒子的适应度值，并与上一次的Pbest和gbest进行比较，选择适应度值更小的粒子作为新的个体最优粒子和新的全局最优粒子；
步骤S260：判断是否满足预设迭代终止条件，即判断训练样本方差的值是否小于预设阈值或迭代次数是否到达最大迭代次数T，如果满足上述条件，则迭代终止，进入步骤S270；否则回到步骤250，重新进行迭代计算，直至满足预设迭代终止条件；
步骤S270：获取最佳粒子，得到神经网络碳排放量预测模型，即将训练结束的最优粒子，赋予给RBF神经网络，构成基于RBF神经网络的神经网络碳排放量预测模型。
进一步地，在根据携带碳排放量标签的待预测数据集样本对神经网络碳排放量预测模型进行训练，得到训练好的神经网络碳排放量预测模型之后，可以将待预测数据集输入到训练好的神经网络碳排放量预测模型，来获取高质量的碳排放量预测结果，最终得到待预测数据集对应的碳排放量预测信息。
在本实施例中，可以按一定周期调用训练好的神经网络碳排放量预测模型，得到碳排放量预测信息，预测各地市未来一定时间段的碳排放量变化趋势，从而可以有效地辅助用户提前做好规划，制定碳排放调整措施，控制对生态环境的碳排放。
本发明实施例的碳排放量预测方法，通过根据预设优化策略，对粒子群优化算法进行参数优化及改进，以加快算法收敛速度，提高算法获得最优解的精度，进而采用改进的粒子群优化算法寻找最优参数，来确定预设的神经网络碳排放量预测模型的目标超参数，从而提高神经网络碳排放量预测模型的预测精度，并通过携带碳排放量标签的待预测数据集样本对神经网络碳排放量预测模型进行训练获得训练好的神经网络碳排放量预测模型，通过训练好的神经网络碳排放量预测模型对待预测数据集进行碳排放量的预测，可以得到准确的碳排放量预测信息，提高了预测碳排放量的精度，实现了碳排放量的准确预测。
基于上述实施例的内容，作为一种可选的实施例，在将待预测数据集输入到训练好的神经网络碳排放量预测模型之前，还包括：
获取多类碳排放影响因素的历史数据；
对多类碳排放影响因素的历史数据进行预处理，得到待预测数据集样本；
利用待预测数据集样本，对神经网络碳排放量预测模型进行训练。
具体地，本发明实施例所描述的多类碳排放影响因素可以包括GDP、人口数量、能源强度、产业结构及技术水平。多类碳排放影响因素的历史数据可以从电网和统计年鉴平台上进行获取，其中，从电网平台可以获得电网公司的用电相关数据，该数据精确，时间周期短，可进行细分，是模型计算的核心参量；从统计年鉴平台上，可以收集到各地统计年鉴数据，该数据来源权威，时间跨度大，统计指标全面。
本发明实施例所描述的预处理指的是在进行模型训练之前，预先对多类碳排放影响因素的历史数据进行的数据处理，其可以包括一些常规的数据处理，如数据格式转换、数据检验、初值化处理等，还可以包括数据分析处理，即基于多类碳排放影响因素的历史数据，对多类碳排放影响因素进行关联分析处理，以从多类碳排放影响因素中确定影响碳排放量的关键影响因素。
可以理解的是，待预测数据集样本可以是影响碳排放量的关键影响因素所对应的待预测数据集样本。
进一步地，在得到待预测数据集样本之后，可以利用待预测数据集样本，对神经网络碳排放量预测模型进行训练，以获得训练好的神经网络碳排放量预测模型。
本发明实施例的方法，通过获取多类碳排放影响因素的历史数据；基于对多类碳排放影响因素的历史数据进行预处理，以获得影响碳排放量的关键影响因素的精确数据，从而得到待预测数据集样本，并利用待预测数据集样本，对神经网络碳排放量预测模型进行训练，有利于提高神经网络碳排放量预测模型预测碳排放量的准确性。
基于上述实施例的内容，作为一种可选的实施例，对多类碳排放影响因素的历史数据进行预处理，得到待预测数据集样本，包括：
对多类碳排放影响因素的历史数据进行数据统计处理，得到处理后的多类碳排放影响因素的历史数据；
基于广义迪氏指数分解法，对处理后的多类碳排放影响因素的历史数据进行分析，从多类碳排放影响因素中确定第一碳排放影响因素；
对碳排放量的历史数据和第一碳排放影响因素的历史数据进行关联分析，从第一碳排放影响因素中确定第二碳排放影响因素；
根据第二碳排放影响因素的历史数据，得到待预测数据集样本。
具体地，本发明实施例所描述的第一碳排放影响因素指的是在多类碳排放影响因素中，对碳排放量起着主要影响作用的影响因素。
本发明实施例所描述的第二碳排放影响因素指的是在第一碳排放影响因素中，对碳排放量起着决定性影响作用的因素，可以作为关键影响因素。
在本发明的实施例中，对采集到的各类碳排放影响因素的历史数据进行数据统计处理，通过数据统计方法进行数据转换，并对数据缺失值、异常值进行填充处理，为后续神经网络碳排放量预测模型的构建提供数据支撑，具体处理方式可以包括：
1)数据观测：基于各类碳排放影响因素的历史数据，根据数据含义和数据类型，对存在的明显的异常或者错误进行分析，对空值进行填充处理，并结合箱型图、折线图等方法识别数据的异常值，并进行填充处理。
2)数据完整性检验：基于各类碳排放影响因素的历史数据，主要检查所提供的数据表中所有字段是否均有数据，字段缺失情况等，如果存在缺失情况结合业务进行相应处理，如：均值填充、中位数填充、插补等。
3)数据有效性检验：基于各类碳排放影响因素的历史数据，检查所提供的数据正负情况以及数据中是否有特殊字符、乱码、极大/小值、异常值等出现，如有特殊数据出现，需结合业务进行相应处理，使用标准编码的字段须有中文字段进行对照，以便更好的了解数据。
4)数据初值化处理：基于各类碳排放影响因素的历史数据，对数据进行初值化计算，将数据进行无量纲化处理；
为避免数据量纲问题，一般需要将数据进行初值化处理，假设数据序列为Xi＝{xi(k)},i＝1,2,…,m，计算逻辑定义如下：
进一步地，基于广义迪氏指数分解法(Generalized Divisia Index Method，GDIM)，对处理后的多类碳排放影响因素的历史数据进行分析，从多类碳排放影响因素中确定第一碳排放影响因素，具体实施方式如下：
需要说明的是，指数分解法通常被应用于能源领域，指数分解法是将目标变量分解成几个影响因素，在将这些因素看作时间t的连续可微函数的基础上对时间进行微分，计算出各影响因素对目标变量变化的贡献率。目标变量与因素变量间的映射关系用函数的形式来表达，如下式：
Z＝f(x1,x2,…,xn)；
其中，Z表示目标变量；X表示对目标变量Z有作用的影响因素变量；ΔZ表示目标变量从0时刻到当前时刻的变化量；[Xi]表示影响因素Xi对目标变量变化量ΔZ的贡献。
可以理解的是，在本实施例中，目标变量指的是碳排放量，因素变量指的是多类碳排放影响因素，如地区、GDP、人口数量、能源强度、能源价格、产业结构以及技术水平等。
把各个因素看作时间t的连续可微函数，则有：
Xi＝Xi(t)；
ΔZ＝∫f′1dX1+∫f′2dX2+…+∫f′ndXn；
则可以得到：
其中，f′i表示对第i个参数的偏导数，可得公式：
式中，ΔZ为行分解限量，坐标为ΔZ[Xi]；
表示函数f(x1,x2,…,xn)的列梯度向量；T表示转置；dX表示对角矩阵，元素为dX1,dX2,…,dXn。
由于分解没有考虑变量之间的关联性，影响因素之间存在相互依赖关系，当分析结构变化时，根据上述指数分解法计算的结果可能会与现实不符，且在分解过程中没有考虑隐含影响因素。故Vaninsky提出在指数分解中加入方程Φ(X)＝0，用来约束影响因素间的关系，并用公理化理论证明了使用投影梯度可以克服此矛盾。
则有目标函数在关联方程组上的投影梯度为：
式中ΦX表示雅可比矩阵，
表示ΦX的广义逆矩阵；I表示单位矩阵。
如果各碳排放影响因素之间线性无关，则有：
在本实施例中，通过对Kaya恒等式变形，构建包括多个绝对量和相对因素的因素分解模型，且分解结果区分因素间的关联性。
根据Kaya公式，能源消费碳排放可由下述公式表示：
Kaya恒等式分解碳排放可能存在的问题有：(1)只能考虑一个绝对量因素对碳排放的影响，式中的人口数量(P)为唯一的绝对量因素；(2)若国内生产总值(GDP)发生变化但其他影响因素不变的情况下，
和
会相应的增大或减少，但碳排放量结果不变，因此这种分解方法不能准确地反映碳排放的变化。由此本发明考虑采用Vaninsky提出的分解方法。
在本实施例中，能源消耗碳排放可由如下公式表示：
其中，CE表示能源消耗碳排放总量，GDP表示国内生产总值，CE/GDP表示产出单位GDP的碳排放量，E表示能源消费总量，CE/E表示消耗单位能源产生的碳排放量，P表示人口数量，CE/P表示人均碳排放量，GDP/P表示人均GDP，E/GDP表示生产单位GDP所消耗的能源。
由此，在本实施例中，可以基于GDIM的分解模型，采用Vaninsky改进的分解方法，结合碳排放量的变化情况，构建广义迪氏指数分解模型，最终确定影响碳排放量的第一碳排放影响因素，即主要影响因素包括GDP、人口数量、能源强度、产业结构和技术水平。
进一步地，在本实施例中，可以采用灰色关联分析法，对碳排放量的历史数据和第一碳排放影响因素的历史数据进行关联分析，从第一碳排放影响因素中确定第二碳排放影响因素，具体实施方式如下：
根据确定的第一碳排放影响因素，获取第一碳排放影响因素的历史数据及对应的碳排放量数据，将对应的碳排放量数据作为参考序列，设为X0＝{x0(k)},k＝1,2,…,n，将第一碳排放影响因素的数据作为比较序列，设为Xi＝{xi(k)},i＝1,2,…,m，采用灰色关联分析法计算参考序列与比较序列的关联度，设置阈值筛选出与碳排放量有强相关性的影响因素。
其中，在本实施例中，参考序列与比较序列的关联度可以通过以下公式计算：
式中，ri表示碳排放量与第一碳排放影响因素之间的关联度，ξi(k)表示碳排放量与第一碳排放影响因素之间的关联系数，minimink|x0(k)-xi(k)|表示两级最小差，maximaxk|x0(k)-xi(k)|表示两级最大差；ρ表示分辨系数，取值介于(0，1)，一般取值0.5。
在本实施例中，通过上述关联度分析模型，所选择的五个第一碳排放影响因素在各地区的关联度基本都在0.5以上，说明这五个第一碳排放影响因素与碳排放量均具有很强的相关性，是影响碳排放量的关键因素。按关联度排序，对碳排放量影响最大的是产业结构，其次依次为：GDP、人口数量、技术水平和能源强度。
进一步地，在确定第二碳排放影响因素之后，可以根据第二碳排放影响因素的历史数据，得到待预测数据集样本，以利用这些待预测数据集样本对神经网络碳排放量预测模型进行训练，得到训练好的神经网络碳排放量预测模型。
本发明实施例的方法，通过分阶段对多类碳排放影响因素的历史数据进行预处理，在对多类碳排放影响因素的历史数据进行数据处理，确保数据准确性的基础上，通过GDIM的方法以及关联分析方法，对处理后的多类碳排放影响因素的历史数据进行分析，从多类碳排放影响因素中确定对碳排放量起着关键影响作用的第二碳排放影响因素，并根据第二碳排放影响因素的历史数据，得到待预测数据集样本，由此可以为后续神经网络碳排放量预测模型的训练提供精确的训练数据样本，有利于进一步地提高神经网络碳排放量预测模型预测碳排放量的精确性。
基于上述实施例的内容，作为一种可选的实施例，利用待预测数据集样本，对神经网络碳排放量预测模型进行训练，包括：
采取交叉验证的方法，从待预测数据集样本中得到训练数据集样本；
将训练数据集样本中的待预测数据样本和待预测数据样本携带的碳排放量标签作为一组训练样本，获取多组训练样本；
利用多组训练样本，对神经网络碳排放量预测模型进行训练。
具体地，本实施例中采取的交叉验证的方法可以是五折交叉验证的方法，也可以是十折交叉验证的方法，从而可以将待预测数据集样本划分成训练数据集样本和测试数据集样本，例如，采用五折交叉验证的方法，按照2-8原则，将待预测数据集样本数据的80％作为训练集，20％作为测试集。
进一步地，将训练数据集样本中待预测数据样本和待预测数据样本携带的碳排放量标签作为一组训练样本，即将每个带有碳排放量标签的待预测数据样本作为一组训练样本，由此即可获得多组训练样本。
在本发明的实施例中，待预测数据样本与待预测数据样本携带的碳排放量标签是一一对应的。
然后，在获得多组训练样本之后，再将多组训练样本依次输入至神经网络碳排放量预测模型，即将每组训练样本中的待预测数据样本及携带的碳排放量标签同时输入至神经网络碳排放量预测模型，根据神经网络碳排放量预测模型的每一次输出结果，通过计算损失函数值，对神经网络碳排放量预测模型中的模型参数进行调整，最终完成神经网络碳排放量预测模型的训练过程。
通过本发明实施例的方法，将训练数据集样本中的待预测数据样本及其携带的碳排放量标签作为一组训练样本，获取多组训练样本，利用多组训练样本，可以有效地对神经网络碳排放量预测模型训练。
基于上述实施例的内容，作为一种可选的实施例，利用多组训练样本，对神经网络碳排放量预测模型进行训练，包括：
对于任意一组训练样本，将训练样本输入神经网络碳排放量预测模型，输出训练样本对应的碳排放量预测信息；
利用预设损失函数，根据训练样本对应的碳排放量预测信息和训练样本中的碳排放量标签计算损失值；
若损失值小于预设阈值，则神经网络碳排放量预测模型训练完成。
具体地，本发明实施例所描述的预设损失函数指的是预先设置在神经网络碳排放量预测模型里的损失函数，用于模型评估。
本发明实施例所描述的预设阈值指的是模型预先设置的阈值，用于获得最小损失值，完成模型训练。
在获得多组训练样本之后，对于任意一个训练样本，将该训练样本中的待预测数据样本和待预测数据样本携带的碳排放量标签同时输入神经网络碳排放量预测模型，输出该训练样本对应的碳排放量预测信息。
在此基础上，利用预设损失函数根据训练样本对应的碳排放量预测信息和训练样本中真实的碳排放量标签计算损失值。例如，碳排放量标签可以表示为one-hot向量，预设损失函数可以采用交叉熵损失函数。
在本发明的实施例中，碳排放量标签的表示方式和预设损失函数可以根据实际需求进行设置，此处不做具体限定。
在计算获得损失值之后，本次训练过程结束，再利用误差反向传播算法更新神经网络碳排放量预测模型中的网络参数之后，再进行下一次训练。在训练的过程中，若针对某个训练样本计算获得的损失值小于预设阈值或者达到预设最大迭代次数，则神经网络碳排放量预测模型训练完成。
此外，在本实施例中，以训练样本均方差M来评价神经网络碳排放量预测模型的准确性，计算逻辑定义如下：
其中，n表示样本容量，yi表示神经网络碳排放量预测模型训练后的实际输出值，
表示神经网络碳排放量预测模型期望输出值。
本发明实施例的方法，通过对神经网络碳排放量预测模型进行训练，将神经网络碳排放量预测模型的损失值控制在预设范围内，并通过训练样本均方差来评价神经网络碳排放量预测模型的准确性，从而有利于提高神经网络碳排放量预测模型预测碳排放量的精度。
下面对本发明提供的碳排放量预测装置进行描述，下文描述的碳排放量预测装置与上文描述的碳排放量预测方法可相互对应参照。
图3是本发明提供的碳排放量预测装置的结构示意图，如图3所示，包括：
预测模块310，用于将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；
所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
本实施例所述的碳排放量预测装置可以用于执行上述碳排放量预测方法实施例，其原理和技术效果类似，此处不再赘述。
本发明实施例的碳排放量预测装置，通过根据预设优化策略，对粒子群优化算法进行参数优化及改进，以加快算法收敛速度，提高算法获得最优解的精度，进而采用改进的粒子群优化算法寻找最优参数，来确定预设的神经网络碳排放量预测模型的目标超参数，从而提高神经网络碳排放量预测模型的预测精度，并通过携带碳排放量标签的待预测数据集样本对神经网络碳排放量预测模型进行训练获得训练好的神经网络碳排放量预测模型，通过训练好的神经网络碳排放量预测模型对待预测数据集进行碳排放量的预测，可以得到准确的碳排放量预测信息，提高了预测碳排放量的精度，实现了碳排放量的准确预测。
图4是本发明提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)830和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各方法所提供的碳排放量预测方法，该方法包括：将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的碳排放量预测方法，该方法包括：将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的碳排放量预测方法，该方法包括：将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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：其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (10)
1.一种碳排放量预测方法，其特征在于，包括：
将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；
所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
2.根据权利要求1所述的碳排放量预测方法，其特征在于，在所述将待预测数据集输入到训练好的神经网络碳排放量预测模型之前，还包括：
获取多类碳排放影响因素的历史数据；
对所述多类碳排放影响因素的历史数据进行预处理，得到待预测数据集样本；
利用所述待预测数据集样本，对神经网络碳排放量预测模型进行训练。
3.根据权利要求1所述的碳排放量预测方法，其特征在于，对粒子群优化算法进行参数优化得到所述改进的粒子群优化算法的方法，包括：
基于预设优化策略，对粒子群优化算法的目标参数进行优化，得到所述改进的粒子群优化算法；所述目标参数包括惯性权重和粒子速度中的至少一项。
4.根据权利要求2所述的碳排放量预测方法，其特征在于，所述对所述多类碳排放影响因素的历史数据进行预处理，得到待预测数据集样本，包括：
对所述多类碳排放影响因素的历史数据进行数据统计处理，得到处理后的多类碳排放影响因素的历史数据；
基于广义迪氏指数分解法，对所述处理后的多类碳排放影响因素的历史数据进行分析，从所述多类碳排放影响因素中确定第一碳排放影响因素；
对碳排放量的历史数据和所述第一碳排放影响因素的历史数据进行关联分析，从所述第一碳排放影响因素中确定第二碳排放影响因素；
根据所述第二碳排放影响因素的历史数据，得到待预测数据集样本。
5.根据权利要求2所述的碳排放量预测方法，其特征在于，利用所述待预测数据集样本，对神经网络碳排放量预测模型进行训练，包括：
采取交叉验证的方法，从所述待预测数据集样本中得到训练数据集样本；
将所述训练数据集样本中的待预测数据样本和所述待预测数据样本携带的碳排放量标签作为一组训练样本，获取多组训练样本；
利用所述多组训练样本，对神经网络碳排放量预测模型进行训练。
6.根据权利要求5所述的碳排放量预测方法，其特征在于，所述利用所述多组训练样本，对神经网络碳排放量预测模型进行训练，包括：
对于任意一组训练样本，将所述训练样本输入神经网络碳排放量预测模型，输出所述训练样本对应的碳排放量预测信息；
利用预设损失函数，根据所述训练样本对应的碳排放量预测信息和所述训练样本中的碳排放量标签计算损失值；
若所述损失值小于预设阈值，则所述神经网络碳排放量预测模型训练完成。
7.一种碳排放量预测装置，其特征在于，包括：
预测模块，用于将待预测数据集输入到训练好的神经网络碳排放量预测模型，得到所述待预测数据集对应的碳排放量预测信息；
所述训练好的神经网络碳排放量预测模型是根据携带碳排放量标签的待预测数据集样本进行训练后得到的；所述神经网络碳排放量预测模型的目标超参数是基于改进的粒子群优化算法求解得到的，所述改进的粒子群优化算法是对粒子群优化算法进行参数优化得到的。
8.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述碳排放量预测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述碳排放量预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述碳排放量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210360004.5A CN114662780A (zh) | 2022-04-06 | 2022-04-06 | 碳排放量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210360004.5A CN114662780A (zh) | 2022-04-06 | 2022-04-06 | 碳排放量预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114662780A true CN114662780A (zh) | 2022-06-24 |
Family
ID=82034699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210360004.5A Pending CN114662780A (zh) | 2022-04-06 | 2022-04-06 | 碳排放量预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114662780A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081597A (zh) * | 2022-08-23 | 2022-09-20 | 中国电力科学研究院有限公司 | 一种基于机器学习的以电核碳方法、***、设备和介质 |
| CN115577858A (zh) * | 2022-11-21 | 2023-01-06 | 山东能源数智云科技有限公司 | 基于区块链的碳排放量预测方法、装置及电子设备 |
| CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
| CN115983892A (zh) * | 2023-03-21 | 2023-04-18 | 北京云庐科技有限公司 | 价格预测模型创建方法、装置、电子设备及可读存储介质 |
| CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
| CN116974772A (zh) * | 2023-09-21 | 2023-10-31 | 阿里云计算有限公司 | 一种针对大语言模型的资源优化和碳减排方法及设备 |
| CN116992265A (zh) * | 2023-09-22 | 2023-11-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
| CN117035167A (zh) * | 2023-07-16 | 2023-11-10 | 国网江苏省电力有限公司南京供电分公司 | 一种企业碳排放的预测方法 |
| CN117408365A (zh) * | 2023-08-25 | 2024-01-16 | 上海智双和曦科技有限公司 | 碳排放量的计算方法、装置、设备、可读存储介质 |
| CN117556526A (zh) * | 2024-01-12 | 2024-02-13 | 国网北京市电力公司 | 建筑碳画像的辨识方法、装置、存储介质和电子设备 |
| CN117575635A (zh) * | 2024-01-16 | 2024-02-20 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和*** |
| CN117742160A (zh) * | 2024-02-09 | 2024-03-22 | 广州市威士丹利智能科技有限公司 | 基于人工智能的碳排放优化控制方法及*** |
-
2022
- 2022-04-06 CN CN202210360004.5A patent/CN114662780A/zh active Pending
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081597A (zh) * | 2022-08-23 | 2022-09-20 | 中国电力科学研究院有限公司 | 一种基于机器学习的以电核碳方法、***、设备和介质 |
| CN115577858A (zh) * | 2022-11-21 | 2023-01-06 | 山东能源数智云科技有限公司 | 基于区块链的碳排放量预测方法、装置及电子设备 |
| CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
| CN115759488B (zh) * | 2023-01-10 | 2023-05-05 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
| CN115983892A (zh) * | 2023-03-21 | 2023-04-18 | 北京云庐科技有限公司 | 价格预测模型创建方法、装置、电子设备及可读存储介质 |
| CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
| CN117035167A (zh) * | 2023-07-16 | 2023-11-10 | 国网江苏省电力有限公司南京供电分公司 | 一种企业碳排放的预测方法 |
| CN117408365A (zh) * | 2023-08-25 | 2024-01-16 | 上海智双和曦科技有限公司 | 碳排放量的计算方法、装置、设备、可读存储介质 |
| CN116974772A (zh) * | 2023-09-21 | 2023-10-31 | 阿里云计算有限公司 | 一种针对大语言模型的资源优化和碳减排方法及设备 |
| CN116974772B (zh) * | 2023-09-21 | 2024-02-27 | 阿里云计算有限公司 | 一种针对大语言模型的资源优化和碳减排方法及设备 |
| CN116992265A (zh) * | 2023-09-22 | 2023-11-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
| CN116992265B (zh) * | 2023-09-22 | 2024-01-09 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
| CN117556526A (zh) * | 2024-01-12 | 2024-02-13 | 国网北京市电力公司 | 建筑碳画像的辨识方法、装置、存储介质和电子设备 |
| CN117575635A (zh) * | 2024-01-16 | 2024-02-20 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和*** |
| CN117575635B (zh) * | 2024-01-16 | 2024-03-29 | 四川绿豆芽信息技术有限公司 | 一种碳指标溯源方法和*** |
| CN117742160A (zh) * | 2024-02-09 | 2024-03-22 | 广州市威士丹利智能科技有限公司 | 基于人工智能的碳排放优化控制方法及*** |
| CN117742160B (zh) * | 2024-02-09 | 2024-07-12 | 广州市威士丹利智能科技有限公司 | 基于人工智能的碳排放优化控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114662780A (zh) | 碳排放量预测方法、装置、电子设备及存储介质 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
| Yu et al. | Error correction method based on data transformational GM (1, 1) and application on tax forecasting | |
| US20220067588A1 (en) | Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model | |
| CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
| CN115115389A (zh) | 一种基于价值细分和集成预测的快递客户流失预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
| CN112215412A (zh) | 溶解氧预测方法及装置 | |
| CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
| CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
| CN114840375A (zh) | 一种半导体存储产品的老化性能测试方法及*** | |
| CN114817571A (zh) | 基于动态知识图谱的成果被引用量预测方法、介质及设备 | |
| CN113656707A (zh) | 一种理财产品推荐方法、***、存储介质及设备 | |
| CN117155806A (zh) | 一种通信基站流量预测方法与装置 | |
| CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及*** | |
| CN115794805B (zh) | 一种中低压配网量测数据补齐方法 | |
| Chandramohan et al. | Sparse approximate dynamic programming for dialog management | |
| Song et al. | Calibration of agent-based model using reinforcement learning | |
| CN113300884B (zh) | 一种基于gwo-svr的分步网络流量预测方法 | |
| CN110991660A (zh) | 基于蝗虫优化的lssvm-arima模型的态势分析方法、***和存储介质 | |
| Shen et al. | Variational sequential optimal experimental design using reinforcement learning | |
| Liang et al. | Out-of-distribution generalization with deep equilibrium models | |
| CN116508035A (zh) | 将经训练的人工智能模型转换为可信赖的人工智能模型 | |
| CN114386697A (zh) | 一种基于改进随机森林的船舶主机备件预测方法 |
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 |