[发明专利]一种基于深度学习的碳排放预测方法

说明书

本发明公开了一种基于深度学习的碳排放预测方法，包括以下步骤：采集与二氧化碳有关的数据；对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；从采集到的数据中分析预测变量；将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；构建LSTM碳排放预测模型；通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。本发明一方面提出灰色关联分析来选择城市历史碳排放复杂的多维特征和短期近邻性特征，另一方面使用了神经网络来进行预测，不仅预测时间跨度较长，而且预测精度较高。

技术领域

本发明涉及碳排放预测的技术领域，尤其涉及到一种基于深度学习的碳排放预测方法。

背景技术

自工业革命以来，大气CO2增加到400ppm以上。自19世纪末以来，全球平均地表温度上升了0.4-0.8℃。随着全球气温逐渐上升，二氧化碳排放预测已成为热点问题。准确预测所在城市的二氧化碳排放不仅可以为城市的政策制定者提供依据，特别是在人工智能广泛运用的今天，还可以帮助政府和企业改善碳排放的管理。但现有的碳排放预测方法集中在单步预测上，只能预测下一时间段的碳排放量，预测时间跨度较短，而且预测精度不高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种预测时间跨度较长、预测精度较高的基于深度学习的碳排放预测方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于深度学习的碳排放预测方法，包括以下步骤：

采集与二氧化碳有关的数据；

对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；

从采集到的数据中分析预测变量；

将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；

构建LSTM碳排放预测模型；

通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；

将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。

进一步地，采集与二氧化碳有关的数据包括：所在城市的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据。

进一步地，城市历年的碳排放数据通过碳排放系数法计算求得，碳排放量计算公式如下：

式中：E_dir指产生的直接碳排放量；i指能源的类型；f_i指居民直接生活第i类能源的消耗量；e_i指居民直接生活第i类能源的平均低位发热量；c_i指居民直接生活第i类能源的单位热值含碳量；o_i指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。

进一步地，对采集到的数据进行预处理包括：导入原始碳排放时间序列数据，将训练集与测试集进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。

进一步地，采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：

A1、数据标准化；

采用最大最小值标准化方法：

其中，x'_ij表示第i行第j列的原数值，min(x'_j)表示第j列数据中的最小值，max(x'_j)表示第j列数据中的最大值，r_ij表示标准化数值；