一种二氧化碳排放量预测方法技术

本发明专利技术属于碳排放预测技术领域，尤其涉及一种二氧化碳排放量预测方法，包括：采集包括历史CO2排放量、人口、人均GDP、城镇化率、第二产业增加值占比、能源消费结构、能源强度、煤炭消费总量、碳排放强度以及进出口总额在内的数据；对数据进行无量纲化处理，并计算各个数据与CO2排放量的灰色关联度，根据灰色关联度的排序来筛选模型输入的CO2排放量影响因素指标实现特征降维；运用灰色预测模型GM(1,1)对已经筛选出的CO2排放量影响因素指标进行预测；将上述CO2排放量影响因素的预测值作为模型输入，然后运用改进的混合蛙跳算法优化最小二乘支持向量机模型对CO2排放量进行预测。本发明专利技术具有高效的计算性能和优良的全局搜索能力。

【技术实现步骤摘要】
一种二氧化碳排放量预测方法
本专利技术属于碳排放预测
，尤其涉及一种二氧化碳排放量预测方法。
技术介绍
近年来，对于二氧化碳排放量的预测，大多采用传统的预测方法，如：时间序列法、回归分析法、灰色预测法等，这些方法存在一定的不足，预测准确性有待提高，而人工智能预测方法面对复杂的非线性序列则展现出了强大的优越性，实现了良好的预测效果。人工神经网络算法是一种典型且应用广泛的人工智能预测技术，有很强的非线性拟合能力，可映射任意复杂的非线性关系，学习规则简单，便于计算机实现。但是神经网络也存在一定的缺点，如：收敛速度较慢，需要较长的训练时间，计算结果容易陷入局部最优，且容易出现“过拟合”的现象。支持向量机(SVM)也是一种常用的人工智能预测技术，是建立在统计学习理论的VC维理论和结构风险最小化的基础上的一种小样本机器学习方法。该算法具有较好的鲁棒性，泛化能力强，计算速度快，与神经网络算法相比运算量较小，预测精度更高。最小二乘支持向量机是采用最小二乘价值函数和等式约束对标准支持向量机的一种改进算法，其具有更快的训练速度和更好的收敛精度。采用最小二乘支持向量机进行预测时，需要确定正则化参数和径向基核函数参数的取值，这两个参数的取值直接影响预测的精度。
技术实现思路
为了解决上述问题，本专利技术提出了一种二氧化碳排放量预测方法，包括：步骤1：采集包括历史CO2排放量、人口、人均GDP、城镇化率、第二产业增加值占比、能源消费结构、能源强度、煤炭消费总量、碳排放强度以及进出口总额在内的数据；步骤2：对数据进行无量纲化处理，并计算各个数据与CO2排放量的灰色关联度，根据灰色关联度的排序来筛选模型输入的CO2排放量影响因素指标实现特征降维；步骤3：运用灰色预测模型GM(1,1)对已经筛选出的CO2排放量影响因素指标进行预测；步骤4：将上述CO2排放量影响因素的预测值作为模型输入，然后运用改进的混合蛙跳算法优化最小二乘支持向量机(MSFLA-LSSVM)模型对CO2排放量进行预测。所述改进的混合蛙跳算法为通过基于群体适应度方差来判断种群是否出现早熟收敛的情况，对陷入早熟收敛的种群的全局最优解进行轻微扰动，从而使混合蛙跳算法跳出局部最优值。所述改进的混合蛙跳算法具体包括：定义群体适应度方差为：其中，u2是粒子群的群体适应度方差；n是种群中子群体的数目；fi是第i只青蛙的适应度；favg是当前种群的平均适应度；f是归一化因子；f的计算方法如下：令当L＞a时，种群被判定为陷入局部最优；其中，为第i代子群体的适应度方差，为第i-1代子群体的适应度方差；当种群陷入局部最优时，对种群的全局最优解进行轻微扰动，从而使其跳出局部最优值；扰动公式如下：其中，Xm为种群的全局最优值，P为扰动系数，rand()表示[0,1]之间的随机数。所述步骤4包括：步骤401：采集数据并进行数据预处理；步骤402：设置算法的待优化参数为正则化参数与核函数宽度，初始化种群；步骤403：计算个体的适应度值并进行排序，同时进行子群划分操作；步骤404：确定每个子群体中的最优解、最差解和群体全局最优解，再根据更新策略对每个子群体中的最差个体进行反复更新，直至达到子群体最大迭代次数；步骤405：计算群体的适应度方差，并判定算法是否陷入局部最优，如果种群陷入局部最优，则对种群的全局最优解进行扰动操作，更新当前群体最优解；步骤406：判断算法结束条件；当达到全局最大迭代次数时，停止计算，然后输出最优解，否则将全部个体重新混合，转至步骤403；步骤407：将最优解代入LSSVM模型，进行预测。本专利技术的有益效果：采用改进的混合蛙跳算法优化最小二乘支持向量机模型对CO2排放量进行预测，通过基于群体适应度方差的思想判断种群是否出现早熟收敛的情况，对陷入早熟收敛的种群的全局最优解进行轻微扰动，从而使其跳出局部最优值，进而实现对混合蛙跳算法的改进，具有高效的计算性能和优良的全局搜索能力。附图说明图1为实施例的预测值与残差图。图2为各个模型预测结果的对比情况图。图3a～3d为各个模型预测结果的预测相对误差图。图4为各个模型预测结果的相对误差箱线图。具体实施方式下面结合附图，对实施例作详细说明。(一)灰色预测模型GM(1,1)GM(1,1)模型是最常用的一种灰色模型，它是由一个只包含单变量的一阶微分方程构成的。该模型计算简单，且对于分布不规律的小样本数据预测具有明显优势。GM(1,1)的具体建模流程如下：设x(0)为原始数据序列：x(0)＝[x(0)(1),x(0)(2),…,x(0)(n)](1)对原始数据序列x(0)作一次累加生成，得到序列x(1)：式中，x(1)(k)序列满足下述一阶线性微分方程模型：式中，a、u为待估参数。根据导数定义，有：若以离散形式表示，微分项可写成：式中，x(1)取时刻k和k+1的均值，即因此，式(5)可改写为：可推导出：将上述结果写成矩阵形式，有：公式(8)可记为：Yn＝BA(9)式中，上述方程组中，Yn和B为已知量，A为待估参数。根据最小二乘准则可将公式(9)改写为：式中，E为误差项。令利用矩阵求导公式，可得：将所求得的代回原来的微分方程，有：求解上式可得：已知x(1)(1)＝x(0)(1)，将公式(13)写成离散形式，得到公式(14)：公式(13)、公式(14)称为GM(1,1)模型的时间响应函数。对公式(14)做累减还原，可得原始数列x(0)的灰色预测模型为:(二)LSSVM最小二乘支持向量机(LSSVM)采用二次损失函数将SVM算法的二次寻优转化为线性方程的求解，在降低计算复杂度的同时提高了解的收敛速度，具有较强的鲁棒性。设N为样本数，m为样本空间维数，对于训练样本(xi,yi),i＝1,2,…,N，存在非线性映射将训练样本映射到高维线性空间，可得：根据结构化风险最小原则，上述问题可等效为如下二次规划问题：式中，J(ω,ε)为结构风险，ξ为惩罚系数，εi为允许误差，ωTω控制模型的推广能力。利用拉格朗日法求解上式的优化问题，根据Karush-Kuhn-Tucker优化条件可得：式中，y＝[y1,y2,…,yN]T，1N＝[1,1,…,1]T，1N为单位矩阵。根据Mercer条件定义核函数：此时，可以得到最小二乘支持向量机的输出：(三)改进的混合蛙跳算法(1)混合蛙跳算法(ShuffledFrogLeapingAlgorithm)混合蛙跳算法(ShuffledFrogLeapingAlgorithm)模拟了青蛙群体中各个子群体找寻食物时展开信息交换的行为，是一种全新的启发式群体进化算法，具有高效的计算性能和优良的全局搜索能力。SFLA算法的数学建模过程如下：随机生成青蛙种群S，种群中青蛙的数量为N,S＝(X1,X2,…,XN),若候选解Xi的维数为t，则第j个候选解可以表示为Xj＝(xj1,xj2,…,xjt),0≤j≤N。计算每个青蛙的适应度值f(Xi)，将青蛙个体(候选解)按照适应度值降序排列。设种群中子群的个数为m，每个子群中青蛙的个数为K，且满足N＝mK，然后将第1个候选解分配给第1个子群，第2个候选解分配给第2个子群，…，第K个候选解分配给第K个子群，第K+1个候选解分配给第K+1个子群，以此类推直至第N个候选解分配完毕。对于每个子群本文档来自技高网...

【技术保护点】
1.一种二氧化碳排放量预测方法，其特征在于，包括：步骤1：采集包括历史CO2排放量、人口、人均GDP、城镇化率、第二产业增加值占比、能源消费结构、能源强度、煤炭消费总量、碳排放强度以及进出口总额在内的数据；步骤2：对数据进行无量纲化处理，并计算各个数据与CO2排放量的灰色关联度，根据灰色关联度的排序来筛选模型输入的CO2排放量影响因素指标实现特征降维；步骤3：运用灰色预测模型GM(1,1)对已经筛选出的CO2排放量影响因素指标进行预测；步骤4：将上述CO2排放量影响因素的预测值作为模型输入，然后运用改进的混合蛙跳算法优化最小二乘支持向量机模型对CO2排放量进行预测。

【技术特征摘要】
1.一种二氧化碳排放量预测方法，其特征在于，包括：步骤1：采集包括历史CO2排放量、人口、人均GDP、城镇化率、第二产业增加值占比、能源消费结构、能源强度、煤炭消费总量、碳排放强度以及进出口总额在内的数据；步骤2：对数据进行无量纲化处理，并计算各个数据与CO2排放量的灰色关联度，根据灰色关联度的排序来筛选模型输入的CO2排放量影响因素指标实现特征降维；步骤3：运用灰色预测模型GM(1,1)对已经筛选出的CO2排放量影响因素指标进行预测；步骤4：将上述CO2排放量影响因素的预测值作为模型输入，然后运用改进的混合蛙跳算法优化最小二乘支持向量机模型对CO2排放量进行预测。2.根据权利要求1所述方法，其特征在于，所述改进的混合蛙跳算法为通过基于群体适应度方差来判断种群是否出现早熟收敛的情况，对陷入早熟收敛的种群的全局最优解进行轻微扰动，从而使混合蛙跳算法跳出局部最优值。3.根据权利要求1或2所述方法，其特征在于，所述改进的混合蛙跳算法具体包括：定义群体适应度方差为：其中，u2是粒子群的群体适应度方差；n是种群中子群体的数目；fi是第i只青蛙的适应度；favg是当前种群的平均适应度；f是归一化因...

【专利技术属性】
技术研发人员：牛东晓，戴舒羽，浦迪，康辉，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11