[发明专利]一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法

权利要求书

1.一种结合多元线性回归，分步回归及人工神经网络以预测工业企业碳排放量的复杂模型和方法其特征在于，包括：工业企业生产数据收集，分布线性回归识别最相关输入值，确定最优化神经网络配置，人工神经网络训练数据集，回归后处理，应用训练后模型模拟，计算统计运算相关参数，输出预测工业企业碳排放量等几个步骤。

2.通过回归方法筛选，识别最相关工业企业生产数据输入值；分步线性回归是一种拟合回归模型的方法，通过公式：

拟合相关变量，其中预测变量的选择是通过自动程序进行的, 其中Y是要预测的工业企业碳排放 输出量（因变量），X_i表示K个变化的工业企业生产数据（自变量）（其中1 ≤ i≤ k），β_i为计算的自变量的回归系数，β₀是偏移值的预测变量，e是残差项；

在每个拟合步骤中，根据某个预先确定的统计标准（包括调整后的R²，标准差（standarderror (SE)）, 平均调整偏差（MAPE），预计残差平方和（PRESS）等）采取一系列F检验或t检验的形式，将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归)；

本发明通过分步线性回归拟合工业企业碳排放输出量与工业企业生产数据，根据预设标准，识别最相关工业企业生产数据至下一步模型运算。

3.通过权利要求2所述模型中筛选过的工业企业生产数据至两种神经网络 （前馈神经网络（FFNN）和广义回归神经网络（GRNN））计算工业企业碳排放量预测值。

4.通过分析权利要求3所述模型的业企业碳排放量预测值结果的调整后的R²，标准差(SE), 平均调整偏差（MAPE），预计残差平方和（PRESS）等统计指标，选定单一神经网络模型或混合两种神经网络模型并设定模型间数据分配比重；

通过数据训练，选定模型输入层的数量，隐藏层和输出层中神经元的数量以及关联权重，偏差，活动性和正态分布特性等指标并进行回归分析后处理，比较训练集的输出值与实际训练集的工业企业碳排放量。

5.应用权利要求4所述的模型选择方式，对训练完成，给定设定参数的人工神经网络的模型模拟计算，预测未来一定时间跨度内的工业企业碳排放量；计算模型运行的相关统计数据，并做以记录，监控模型运行情况以及时调整模型参数的检验回归过程；输出预测一定时间跨度内的工业企业碳排放量并记录。