CN117493813A - 一种城市碳强度的分析方法及相关设备 - Google Patents
一种城市碳强度的分析方法及相关设备 Download PDFInfo
- Publication number
- CN117493813A CN117493813A CN202311610596.2A CN202311610596A CN117493813A CN 117493813 A CN117493813 A CN 117493813A CN 202311610596 A CN202311610596 A CN 202311610596A CN 117493813 A CN117493813 A CN 117493813A
- Authority
- CN
- China
- Prior art keywords
- carbon
- generate
- carbon intensity
- target
- carbon emission
- 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 536
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 533
- 238000004458 analytical method Methods 0.000 title abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000013145 classification model Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种城市碳强度的分析方法及相关设备，应用于数据处理技术领域。本申请获取城市碳强度数据训练集和目标城市属性信息，基于距离相关系数算法对城市碳强度数据训练集进行处理，生成碳强度特征属性值，基于最大信息系数算法对碳强度特征属性值进行加权处理，生成加权后的碳强度数值，对碳强度数值进行转换处理，生成碳强度类别，基于碳强度类别和加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型，基于目标加权朴素贝叶斯分类模型对目标城市碳强度数值进行处理，生成目标碳强度类别，基于预设分类模型对目标碳强度类别进行分类处理，生成目标城市碳强度结果。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种城市碳强度的分析方法及相关设备。
背景技术
我国提出了“碳达峰”和“碳中和”目标以实现低碳发展。全国减少碳排放总量和降低碳排放强度的指标被逐级分解到各省、市。因此，准确评估省级碳排放量，分析碳排放的增长因素，是制定能源和产业发展政策的基石之一。
目前，对于碳排放预测方面的专利大多是对某个实体或者某个***进行预测，少有对城市方面碳排放的宏观预测。我国东部地区城市作为我国较发达地区的城市，碳排放量也较大，而城市碳排放量的多寡也直接影响着“碳达峰”任务是否可以如期完成。
此外，每个城市对碳排放的标准都有要求，当前碳排放值是多少，目前无法通过直接的传感器监测进行准确计算，以往对于碳排放影响因素的分析，通常包括结构分解法、指标分解法和基于回归分析的方法。在其中，指标分解法由于其准确、易操作，对数据要求不高的特点，适宜分析在给定时间和给定区域内的碳排放结构。现有技术在城市碳强度类别预测模型构建方面使用的分类算法误差较大，在碳强度类别预测模型的数据预处理方面无法满足算法的要求。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种城市碳强度的分析方法及相关设备，至少在一定程度上克服现有技术存在的问题，通过使用距离相关系数算法进行碳强度特征属性筛选，通过使用最大信息系数算法进行碳强度特征属性加权，得到适用于加权贝叶斯分类模型的特征属性数据集合，使用此数据集合训练最终得到拥有较高预测准确率的加权贝叶斯分类碳强度类别预测模型，再基于预设分类模型对目标城市进行分类，生成目标城市的碳强度结果。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种城市碳强度的分析方法及相关设备，包括：获取城市碳强度数据训练集和目标城市属性信息；基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值；基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值；对所述碳强度数值进行转换处理，生成碳强度类别；基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型；基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值；基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别；基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。
在本申请的一个实施例中，所述基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值，包括：基于所述城市碳强度数据训练集生成每个城市的特征属性和碳强度数值；基于距离相关系数算法对每个城市对应的所述特征属性和所述碳强度数值进行处理，生成距离相关系数值；基于所述距离相关系数值对所述特征属性进行筛选，生成筛选后的碳强度特征属性值。
在本申请的一个实施例中，所述基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值，还包括：设{(ui,vi),i＝1,…,n}是从总体(u,v)中抽取的随机样本，所述距离相关系数的计算公式为：
其中，dcov2(u,v)＝S1+S2-2S3，S1、S2、S3分别为：
其中，dcorr(u,v)表示距离相关系数，dcov(u,v)表示总体(u，v)的距离协方差，dcov(u,u)表示总体(u，u)的距离协方差，dcov(v,v)表示总体(v，v)的距离协方差，dcov2(u,v)表示总体(u，v)的距离协方差的平方。
在本申请的一个实施例中，所述基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值，包括：获取所述碳强度特征属性值对应的类别信息；基于最大信息系数算法对所述筛选后的碳强度特征属性值和所述碳强度数值进行处理，生成最大信息系数值，其中，所述最大信息系数值表征每个特征属性和类别信息间的最大信息系数值；对所述最大信息系数值进行排序处理，生成降序后的城市属性信息，其中，所述城市属性信息包括对应城市的特征属性和对应的权重信息；基于所述最大信息系数值对所述降序后的特征属性进行加权处理，生成加权后的碳强度数值。
在本申请的一个实施例中，所述基于预设规则对所述目标城市属性信息进行预处理，生成目标城市碳强度数值，包括：获取影响城市碳排放的影响分子；基于所述影响分子构建碳排放风险模型；基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子；对所述碳排放影响分子进行排序处理，生成降序后的碳排放影响分子；获取所述目标城市属性信息的历史碳排放影响分子；基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子；基于所述加权后的碳排放影响分子生成目标城市碳强度数值。
在本申请的一个实施例中，所述基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子，包括：基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成影响目标城市碳排放的主风险因子；基于所述碳排放风险模型对所述主风险因子进行处理，生成碳排放周期；基于所述碳排放周期生成碳排放峰值；基于所述碳排放峰值生成所述目标城市的碳排放影响分子。
在本申请的一个实施例中，所述基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，包括：获取与所述降序后的碳排放影响分子占比相似的历史碳排放影响分子；基于所述历史碳排放影响分子生成目标城市的碳排放风险事件；基于所述碳排放风险事件生成碳排放风险周期；对所述碳排放风险周期进行处理，生成所述碳排放影响分子的权重信息；基于所述权重信息对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子。
本申请的另一个方面，一种城市碳强度的分析装置，其特征在于，包括：获取模块，用于获取城市碳强度数据训练集和目标城市属性信息；处理模块，用于基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值；基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值；对所述碳强度数值进行转换处理，生成碳强度类别；基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型；基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值；基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别；基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的城市碳强度的分析方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的城市碳强度的分析方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的城市碳强度的分析方法。
本申请所提供的一种城市碳强度的分析方法及相关设备，由服务器获取城市碳强度数据训练集和目标城市属性信息；基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值；基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值；对所述碳强度数值进行转换处理，生成碳强度类别；基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型；基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值；基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别；基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。通过使用距离相关系数算法进行碳强度特征属性筛选，通过使用最大信息系数算法进行碳强度特征属性加权，得到适用于加权贝叶斯分类模型的特征属性数据集合，使用此数据集合训练最终得到拥有较高预测准确率的加权贝叶斯分类碳强度类别预测模型，再基于预设分类模型对目标城市进行分类，生成目标城市的碳强度结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种城市碳强度的分析方法的流程图；
图2示出了本申请一实施例所提供的一种城市碳强度的分析装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的城市碳强度的分析方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种城市碳强度的分析方法及相关设备。图1示意性地示出了根据本申请实施方式的一种城市碳强度的分析方法及相关设备的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取城市碳强度数据训练集和目标城市属性信息。
一种实施方式中，目标城市属性信息包括但不限于城市名称、年份、GDP数值、GDP增长率、产业链占比、绿化率、市民出行途径。其中，城市碳强度训练集包括若干目标城市属性信息，并根据实际需求不断完善和补充相应的信息。
S102，基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值。
一种实施方式中，基于城市碳强度数据训练集生成每个城市的特征属性和碳强度数值，基于距离相关系数算法对每个城市对应的特征属性和碳强度数值进行处理，生成距离相关系数值，基于距离相关系数值对特征属性进行筛选，生成筛选后的碳强度特征属性值。用户可根据实际情况对所需的特征属性进行筛选，其中，所需的特征属性以及特征属性的个数均可由用户自行决定，本实施例对此不进行限定。通过导入数据并读取训练集数据，并计算每个特征属性与碳强度数值间的DC(距离相关系数)值，并在界面降序显示DC值、其对应城市特征属性名称。根据用户选择的n值(留下的特征属性个数)，服务器会对特征属性与碳强度数值间的DC值进行筛选。
另一种实施方式中，设{(ui,vi),i＝1,…,n}是从总体(u,v)中抽取的随机样本，距离相关系数的计算公式为：
其中，dcov2(u,v)＝S1+S2-2S3，S1、S2、S3分别为：
其中，dcorr(u,v)表示距离相关系数，dcov(u,v)表示总体(u，v)的距离协方差，dcov(u,u)表示总体(u，u)的距离协方差，dcov(v,v)表示总体(v，v)的距离协方差，dcov2(u,v)表示总体(u，v)的距离协方差的平方。
S103，基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值。
一种实施方式中，在基于距离相关的特征筛选基础上，运用最大信息系数算法(Maximal Information Coefficient,MIC)对特征之间的冗余性进行度量，删减掉具有强冗余的指标，从相关性和冗余性两个角度对高维数据进行属性选择与约简。获取碳强度特征属性值对应的类别信息，基于最大信息系数算法对筛选后的碳强度特征属性值和碳强度数值进行处理，生成最大信息系数值，其中，最大信息系数值表征每个特征属性和类别信息间的最大信息系数值，对最大信息系数值进行排序处理，生成降序后的城市属性信息，其中，城市属性信息包括对应城市的特征属性和对应的权重信息，基于最大信息系数值对降序后的特征属性进行加权处理，生成加权后的碳强度数值。通过对特征属性与碳强度数值间的距离相关系数值进行筛选，并使用筛选后得到的特征属性与对应碳强度数值计算每个属性与碳强度数值间的最大信息系数值，并在界面上降序显示最大信息系数值、其对应城市特征属性名称及权重，此外，权重信息可基于用户所选择的特征属性的个数以及对应的特征属性信息来设置，本实施例对此不做具体限定。使用筛选后得到的特征属性与碳强度数值集合计算每个特征属性与类别间的MIC(最大信息系数)值，使用MIC值计算各特征属性的权重，并在界面上降序显示MIC值、其对应城市特征属性名称及权重。
另一种实施方式中，最大信息系数算法(MIC)的计算过程如下，若给定一个样本容量有限的有序数对D＝(X，Y)，可以对x轴和y轴进行划分，划分成x×y的网格G，使其覆盖变量X、Y的散点图，网格中的有些小格允许是空的。D|G代表一个概率分布，由网格G中每个小格中散点的频率计算而得。对于某个有序数对D，不同的划分网格G将会导致不同的概率分布D|G。I(D|G)即是定义在分布D|G上的互信息。
对于给定的x列、y行的网格G，在不同的划分方式下对应的最大互信息定义为：
I*(D,x,y)＝maxI(D|G)
对于任意的x列、y行的网格G，基于其最大互信息I*(D,x,y)，定义特征矩阵为：
其中，logmin{x,y}是为了使特征矩阵中的元素具有可比性而进行的标准化。在特征矩阵的基础上，可以定义为MIC：
其中，B(n)是网格G中所包含子格数局的上限。
S104，对所述碳强度数值进行转换处理，生成碳强度类别。
一种实施方式中，服务器将预设若干碳强度数值与对应碳强度类别的映射表，当计算出目标城市的碳强度数值后，基于上述映射表将碳强度数值转换为相应的碳强度类别，以便于对目标城市进行初步划分。
S105，基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型。
一种实施方式中，加权贝叶斯(WeightedNaive Bayesian Classifier,WNBC)算法在属性条件独立性假设下，模型把各个属性同等对待，即认为各个属性对类别影响相同，但在实际具有复杂结构的高维数据中，分类效果会受到明显影响。为了提高WNBC算法的分类效果，扩大其适用领域，可根据各个属性对类别影响程度的不同，分别对属性进行加权。若某属性对分类影响较大，则其权值相应也较高，即为WNBC算法，其表达式如下：设数据集有m个类别，记为C1，C2，C3，···,Cm；样本x有n个属性，记为：A1，A2，A3，···,An；P(Ci)为类Ci的先验概率，P(x|Ci)为样本x相对类Ci的条件概率。
其中，P(Ci)可通过各类样本出现的频率来估计，而类条件概率P(x|Ci)的估计会涉及到样本x的所有属性联合概率，wj为属性Aj对应的权值，来源于MIC设计算法的加权系数，P(Ci|x)即为添加权重的WNBC表达式。
S106，基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值。
一种实施方式中，获取影响城市碳排放的影响分子，基于影响分子构建碳排放风险模型，基于碳排放风险模型对目标城市属性信息进行处理，生成目标城市的碳排放影响分子，对碳排放影响分子进行排序处理，生成降序后的碳排放影响分子，获取目标城市属性信息的历史碳排放影响分子，基于历史碳排放影响分子对降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，基于加权后的碳排放影响分子生成目标城市碳强度数值。服务器将获取目标城市的历史碳排放情况，并比对当前碳排放强度与历史谈判强度的差值，从而了解当前目标城市的碳排放发展途径，若目标城市的碳强度数值与历史碳强度数值呈递减或递增的趋势，则分析具体影响城市碳排放的影响分子的变化趋势，并给予其设置相应的权重占比。示例，若目标城市的当前碳强度数值呈递减的趋势，但是，该碳强度数值最大的影响分子为居民的日常出行途径，若短时间内，该地区由于一些因素导致居民日常只能选择自驾出行上下班，而非选择用地铁、公交等低碳环保的出行方式，则在短时间内，该目标城市的碳排放影响分子的占比可能不会发生特别大的变化，因此，可适当提高该影响分子的权重值。反之，若该地区在短时间内大量投入较多低碳出行的交通工具代替自家出行，则可适当降低该影响分子的权重值。
S107，基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别。
一种实施方式中，根据WNBC(加权朴素贝叶斯分类)算法定义，将碳强度数值处理为碳强度类别，为后续的训练目标加权朴素贝叶斯分类模型做准备。使用筛选后的特征属性数据及其权重、对应的碳强度类别训练目标加权朴素贝叶斯分类模型。服务器通过获取目标城市碳强度数值，并使用训练后的目标加权朴素贝叶斯分类模型对目标城市碳强度数值的特征属性数据对应类别进行预测。
S108，基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。
本申请中由服务器获取城市碳强度数据训练集和目标城市属性信息，基于距离相关系数算法对城市碳强度数据训练集进行处理，生成碳强度特征属性值，基于最大信息系数算法对碳强度特征属性值进行加权处理，生成加权后的碳强度数值，对碳强度数值进行转换处理，生成碳强度类别，基于碳强度类别和加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型，基于预设规则对初始城市碳强度数值进行预处理，生成目标城市碳强度数值，基于目标加权朴素贝叶斯分类模型对目标城市碳强度数值进行处理，生成目标碳强度类别，基于预设分类模型对目标碳强度类别进行分类处理，生成目标城市碳强度结果。通过使用距离相关系数算法进行碳强度特征属性筛选，通过使用最大信息系数算法进行碳强度特征属性加权，得到适用于加权贝叶斯分类模型的特征属性数据集合，使用此数据集合训练最终得到拥有较高预测准确率的加权贝叶斯分类碳强度类别预测模型，再基于预设分类模型对目标城市进行分类，生成目标城市的碳强度结果。
可选地，在基于本申请上述方法的另一个实施例中，所述基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子，包括：
基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成影响目标城市碳排放的主风险因子；
基于所述碳排放风险模型对所述主风险因子进行处理，生成碳排放周期；
基于所述碳排放周期生成碳排放峰值；
基于所述碳排放峰值生成所述目标城市的碳排放影响分子。
一种实施方式中，服务器可利用回归预测关系式预测预定时间内城市碳排放量的预测区间，根据预测区间找出碳排放峰值，以进行城市碳排放峰值时域的预测分析。根据城市碳排放峰值获取相关碳排放影响分子的占比，并基于该碳排放影响分子分析当前目标城市的碳排放概况，从而便于改善目标城市的碳排放强度。
可选地，在基于本申请上述方法的另一个实施例中，所述基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，包括：
获取与所述降序后的碳排放影响分子占比相似的历史碳排放影响分子；
基于所述历史碳排放影响分子生成目标城市的碳排放风险事件；
基于所述碳排放风险事件生成碳排放风险周期；
对所述碳排放风险周期进行处理，生成所述碳排放影响分子的权重信息；
基于所述权重信息对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子。
一种实施方式中，通过查找与降序后碳排放影响分子相似的历史碳排放影响分子，获取当时是否发生了什么历史事件，并进一步判断该事件当前是否已经解决，若还没解决，当前处于什么状态(前期、中期还是尾期)，且该事件的处理周期大概是多久，根据不同的周期，判断对当前的碳排放持续时间是否会产生新的风险，然后设置相应的权重占比。
通过应用以上技术方案，服务器获取城市碳强度数据训练集和目标城市属性信息，基于城市碳强度数据训练集生成每个城市的特征属性和碳强度数值，基于距离相关系数算法对每个城市对应的特征属性和碳强度数值进行处理，生成距离相关系数值，基于距离相关系数值对特征属性进行筛选，生成筛选后的碳强度特征属性值，获取碳强度特征属性值对应的类别信息，基于最大信息系数算法对筛选后的碳强度特征属性值和碳强度数值进行处理，生成最大信息系数值，其中，最大信息系数值表征每个特征属性和类别信息间的最大信息系数值，对最大信息系数值进行排序处理，生成降序后的城市属性信息，其中，城市属性信息包括对应城市的特征属性和对应的权重信息，基于最大信息系数值对降序后的特征属性进行加权处理，生成加权后的碳强度数值，对碳强度数值进行转换处理，生成碳强度类别，基于碳强度类别和加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型。
此外，服务器还将获取影响城市碳排放的影响分子，基于影响分子构建碳排放风险模型，基于碳排放风险模型对目标城市属性信息进行处理，生成影响目标城市碳排放的主风险因子，基于碳排放风险模型对主风险因子进行处理，生成碳排放周期，基于碳排放周期生成碳排放峰值，基于碳排放峰值生成目标城市的碳排放影响分子，对碳排放影响分子进行排序处理，生成降序后的碳排放影响分子，获取目标城市属性信息的历史碳排放影响分子，获取与降序后的碳排放影响分子占比相似的历史碳排放影响分子，基于历史碳排放影响分子生成目标城市的碳排放风险事件，基于碳排放风险事件生成碳排放风险周期，对碳排放风险周期进行处理，生成碳排放影响分子的权重信息，基于权重信息对降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，基于加权后的碳排放影响分子生成目标城市碳强度数值。
此外，服务器还将基于目标加权朴素贝叶斯分类模型对目标城市碳强度数值进行处理，生成目标碳强度类别，基于预设分类模型对目标碳强度类别进行分类处理，生成目标城市碳强度结果。通过使用距离相关系数算法进行碳强度特征属性筛选，通过使用最大信息系数算法进行碳强度特征属性加权，得到适用于加权贝叶斯分类模型的特征属性数据集合，使用此数据集合训练最终得到拥有较高预测准确率的加权贝叶斯分类碳强度类别预测模型，再基于预设分类模型对目标城市进行分类，生成目标城市的碳强度结果。
一种实施方式中，如图2所示，本申请还提供一种城市碳强度的分析装置，包括：
获取模块201，用于获取城市碳强度数据训练集和目标城市属性信息；
处理模块202，用于基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值；基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值；对所述碳强度数值进行转换处理，生成碳强度类别；基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型；基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值；基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别；基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。
本申请中由服务器获取城市碳强度数据训练集和目标城市属性信息，基于距离相关系数算法对城市碳强度数据训练集进行处理，生成碳强度特征属性值，基于最大信息系数算法对碳强度特征属性值进行加权处理，生成加权后的碳强度数值，对碳强度数值进行转换处理，生成碳强度类别，基于碳强度类别和加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型，基于预设规则对初始城市碳强度数值进行预处理，生成目标城市碳强度数值，基于目标加权朴素贝叶斯分类模型对目标城市碳强度数值进行处理，生成目标碳强度类别，基于预设分类模型对目标碳强度类别进行分类处理，生成目标城市碳强度结果。通过使用距离相关系数算法进行碳强度特征属性筛选，通过使用最大信息系数算法进行碳强度特征属性加权，得到适用于加权贝叶斯分类模型的特征属性数据集合，使用此数据集合训练最终得到拥有较高预测准确率的加权贝叶斯分类碳强度类别预测模型，再基于预设分类模型对目标城市进行分类，生成目标城市的碳强度结果。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值，包括：
基于所述城市碳强度数据训练集生成每个城市的特征属性和碳强度数值；
基于距离相关系数算法对每个城市对应的所述特征属性和所述碳强度数值进行处理，生成距离相关系数值；
基于所述距离相关系数值对所述特征属性进行筛选，生成筛选后的碳强度特征属性值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值，还包括：
设{(ui,vi),i＝1,…,n}是从总体(u,v)中抽取的随机样本，所述距离相关系数的计算公式为：
其中，dcov2(u,v)＝S1+S2-2S3，S1、S2、S3分别为：
其中，dcorr(u,v)表示距离相关系数，dcov(u,v)表示总体(u，v)的距离协方差，dcov(u,u)表示总体(u，u)的距离协方差，dcov(v,v)表示总体(v，v)的距离协方差，dcov2(u,v)表示总体(u，v)的距离协方差的平方。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值，包括：
获取所述碳强度特征属性值对应的类别信息；
基于最大信息系数算法对所述筛选后的碳强度特征属性值和所述碳强度数值进行处理，生成最大信息系数值，其中，所述最大信息系数值表征每个特征属性和类别信息间的最大信息系数值；
对所述最大信息系数值进行排序处理，生成降序后的城市属性信息，其中，所述城市属性信息包括对应城市的特征属性和对应的权重信息；
基于所述最大信息系数值对所述降序后的特征属性进行加权处理，生成加权后的碳强度数值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设规则对所述目标城市属性信息进行预处理，生成目标城市碳强度数值，包括：
获取影响城市碳排放的影响分子；
基于所述影响分子构建碳排放风险模型；
基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子；
对所述碳排放影响分子进行排序处理，生成降序后的碳排放影响分子；
获取所述目标城市属性信息的历史碳排放影响分子；
基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子；
基于所述加权后的碳排放影响分子生成目标城市碳强度数值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子，包括：
基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成影响目标城市碳排放的主风险因子；
基于所述碳排放风险模型对所述主风险因子进行处理，生成碳排放周期；
基于所述碳排放周期生成碳排放峰值；
基于所述碳排放峰值生成所述目标城市的碳排放影响分子。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，包括：
获取与所述降序后的碳排放影响分子占比相似的历史碳排放影响分子；
基于所述历史碳排放影响分子生成目标城市的碳排放风险事件；
基于所述碳排放风险事件生成碳排放风险周期；
对所述碳排放风险周期进行处理，生成所述碳排放影响分子的权重信息；
基于所述权重信息对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子。
通过应用以上技术方案，服务器获取城市碳强度数据训练集和目标城市属性信息，基于城市碳强度数据训练集生成每个城市的特征属性和碳强度数值，基于距离相关系数算法对每个城市对应的特征属性和碳强度数值进行处理，生成距离相关系数值，基于距离相关系数值对特征属性进行筛选，生成筛选后的碳强度特征属性值，获取碳强度特征属性值对应的类别信息，基于最大信息系数算法对筛选后的碳强度特征属性值和碳强度数值进行处理，生成最大信息系数值，其中，最大信息系数值表征每个特征属性和类别信息间的最大信息系数值，对最大信息系数值进行排序处理，生成降序后的城市属性信息，其中，城市属性信息包括对应城市的特征属性和对应的权重信息，基于最大信息系数值对降序后的特征属性进行加权处理，生成加权后的碳强度数值，对碳强度数值进行转换处理，生成碳强度类别，基于碳强度类别和加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型。
此外，服务器还将获取影响城市碳排放的影响分子，基于影响分子构建碳排放风险模型，基于碳排放风险模型对目标城市属性信息进行处理，生成影响目标城市碳排放的主风险因子，基于碳排放风险模型对主风险因子进行处理，生成碳排放周期，基于碳排放周期生成碳排放峰值，基于碳排放峰值生成目标城市的碳排放影响分子，对碳排放影响分子进行排序处理，生成降序后的碳排放影响分子，获取目标城市属性信息的历史碳排放影响分子，获取与降序后的碳排放影响分子占比相似的历史碳排放影响分子，基于历史碳排放影响分子生成目标城市的碳排放风险事件，基于碳排放风险事件生成碳排放风险周期，对碳排放风险周期进行处理，生成碳排放影响分子的权重信息，基于权重信息对降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，基于加权后的碳排放影响分子生成目标城市碳强度数值。
此外，服务器还将基于目标加权朴素贝叶斯分类模型对目标城市碳强度数值进行处理，生成目标碳强度类别，基于预设分类模型对目标碳强度类别进行分类处理，生成目标城市碳强度结果。通过使用距离相关系数算法进行碳强度特征属性筛选，通过使用最大信息系数算法进行碳强度特征属性加权，得到适用于加权贝叶斯分类模型的特征属性数据集合，使用此数据集合训练最终得到拥有较高预测准确率的加权贝叶斯分类碳强度类别预测模型，再基于预设分类模型对目标城市进行分类，生成目标城市的碳强度结果。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述城市碳强度的分析方法。
其中，存储器301可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述城市碳强度的分析方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的城市碳强度的分析方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的城市碳强度的分析方法。
本申请实施例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全部或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电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的城市碳强度的分析方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的城市碳强度的分析方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估城市碳强度的分析方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的城市碳强度的分析方法实施例，所以描述的比较简单，相关之处参见上述所述的城市碳强度的分析方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种城市碳强度的分析方法，其特征在于，包括：
获取城市碳强度数据训练集和目标城市属性信息；
基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值；
基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值；
对所述碳强度数值进行转换处理，生成碳强度类别；
基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型；
基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值；
基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别；
基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。
2.如权利要求1所述的方法，其特征在于，所述基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值，包括：
基于所述城市碳强度数据训练集生成每个城市的特征属性和碳强度数值；
基于距离相关系数算法对每个城市对应的所述特征属性和所述碳强度数值进行处理，生成距离相关系数值；
基于所述距离相关系数值对所述特征属性进行筛选，生成筛选后的碳强度特征属性值。
3.如权利要求2所述的方法，其特征在于，所述基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值，还包括：
设{(ui,vi),i＝1,…,n}是从总体(u,v)中抽取的随机样本，所述距离相关系数的计算公式为：
其中，dcov2(u,v)＝S1+S2-2S3，其中，S1、S2、S3分别为：
其中，dcorr(u,v)表示距离相关系数，dcov(u,v)表示总体(u，v)的距离协方差，dcov(u,u)表示总体(u，u)的距离协方差，dcov(v,v)表示总体(v，v)的距离协方差，dcov2(u,v)表示总体(u，v)的距离协方差的平方。
4.如权利要求2所述的方法，其特征在于，所述基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值，包括：
获取所述碳强度特征属性值对应的类别信息；
基于最大信息系数算法对所述筛选后的碳强度特征属性值和所述碳强度数值进行处理，生成最大信息系数值，其中，所述最大信息系数值表征每个特征属性和类别信息间的最大信息系数值；
对所述最大信息系数值进行排序处理，生成降序后的城市属性信息，其中，所述城市属性信息包括对应城市的特征属性和对应的权重信息；
基于所述最大信息系数值对所述降序后的特征属性进行加权处理，生成加权后的碳强度数值。
5.如权利要求1所述的方法，其特征在于，所述基于预设规则对所述目标城市属性信息进行预处理，生成目标城市碳强度数值，包括：
获取影响城市碳排放的影响分子；
基于所述影响分子构建碳排放风险模型；
基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子；
对所述碳排放影响分子进行排序处理，生成降序后的碳排放影响分子；
获取所述目标城市属性信息的历史碳排放影响分子；
基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子；
基于所述加权后的碳排放影响分子生成目标城市碳强度数值。
6.如权利要求5所述的方法，其特征在于，所述基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成目标城市的碳排放影响分子，包括：
基于所述碳排放风险模型对所述目标城市属性信息进行处理，生成影响目标城市碳排放的主风险因子；
基于所述碳排放风险模型对所述主风险因子进行处理，生成碳排放周期；
基于所述碳排放周期生成碳排放峰值；
基于所述碳排放峰值生成所述目标城市的碳排放影响分子。
7.如权利要求5所述的方法，其特征在于，所述基于所述历史碳排放影响分子对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子，包括：
获取与所述降序后的碳排放影响分子占比相似的历史碳排放影响分子；
基于所述历史碳排放影响分子生成目标城市的碳排放风险事件；
基于所述碳排放风险事件生成碳排放风险周期；
对所述碳排放风险周期进行处理，生成所述碳排放影响分子的权重信息；
基于所述权重信息对所述降序后的碳排放影响分子进行加权处理，生成加权后的碳排放影响分子。
8.一种城市碳强度的分析装置，其特征在于，所述装置包括：
获取模块，用于获取城市碳强度数据训练集和目标城市属性信息；
处理模块，用于基于距离相关系数算法对所述城市碳强度数据训练集进行处理，生成碳强度特征属性值；基于最大信息系数算法对所述碳强度特征属性值进行加权处理，生成加权后的碳强度数值；对所述碳强度数值进行转换处理，生成碳强度类别；基于所述碳强度类别和所述加权后的碳强度数值对初始加权朴素贝叶斯分类模型进行训练，生成目标加权朴素贝叶斯分类模型；基于预设规则对所述初始城市碳强度数值进行预处理，生成目标城市碳强度数值；基于所述目标加权朴素贝叶斯分类模型对所述目标城市碳强度数值进行处理，生成目标碳强度类别；基于预设分类模型对所述目标碳强度类别进行分类处理，生成目标城市碳强度结果。
9.一种电子设备，其特征在于，包括：
第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；
其中，所述第一处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的城市碳强度的分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被第二处理器执行时实现权利要求1～7中任意一项所述的城市碳强度的分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610596.2A CN117493813A (zh) | 2023-11-29 | 2023-11-29 | 一种城市碳强度的分析方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610596.2A CN117493813A (zh) | 2023-11-29 | 2023-11-29 | 一种城市碳强度的分析方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117493813A true CN117493813A (zh) | 2024-02-02 |
Family
ID=89670852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311610596.2A Pending CN117493813A (zh) | 2023-11-29 | 2023-11-29 | 一种城市碳强度的分析方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493813A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及*** |
-
2023
- 2023-11-29 CN CN202311610596.2A patent/CN117493813A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及*** |
| CN117787574B (zh) * | 2024-02-27 | 2024-05-07 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Using grey relational analysis to predict software effort with small data sets | |
| Qin et al. | Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning. | |
| Zheng et al. | Investigation of model ensemble for fine-grained air quality prediction | |
| CN117493813A (zh) | 一种城市碳强度的分析方法及相关设备 | |
| Wang et al. | EMD based refined composite multiscale entropy analysis of complex signals | |
| CN112085157B (zh) | 基于神经网络和树模型的疾病预测方法及其装置 | |
| McKinley et al. | Bayesian model choice in cumulative link ordinal regression models | |
| Datla | Bench marking of classification algorithms: Decision Trees and Random Forests-a case study using R | |
| CN111832796A (zh) | 一种针对居民用电负荷模式的精细分类及预测方法及*** | |
| CN111861781A (zh) | 一种居民用电行为聚类中的特征优选方法及*** | |
| Sotomayor et al. | Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case | |
| CN110378389A (zh) | 一种Adaboost分类器计算机创建装置 | |
| CN110826785A (zh) | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 | |
| CN111198897A (zh) | 科研热点主题分析方法、装置与电子设备 | |
| Bellisario et al. | Contributions of MIR to soundscape ecology. Part 3: Tagging and classifying audio features using a multi-labeling k-nearest neighbor approach | |
| CN113344130B (zh) | 差异化巡河策略的生成方法及装置 | |
| Alshdadi et al. | Formulation of rules for the scientific community using deep learning | |
| Zhu et al. | Forecasting carbon market volatility with big data | |
| Walley et al. | Unsupervised pattern recognition for the interpretation of ecological data | |
| Abbas et al. | A wavelet enhanced approach with ensemble based deep learning approach to detect air pollution | |
| CN112801163B (zh) | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 | |
| Zhou et al. | Pre-clustering active learning method for automatic classification of building structures in urban areas | |
| CN116108976A (zh) | 一种超短期风速预测方法 | |
| CN113919729A (zh) | 一种区域三生空间影响与协作水平评估方法及*** | |
| CN110782950A (zh) | 基于偏好网格和莱维飞行的多目标粒子群算法的肿瘤关键基因识别方法 |
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 |