基于融合模型的家庭碳排放监测核算平台制造技术

本发明专利技术提供一种基于融合模型的家庭碳排放监测方法，包括如下步骤：S1、建立数据库和预测模型，针对CFPS数据，用Lasso算法提取特征；S2、利用XGBoost预测的融合模型进行调参，并针对高碳排放、低碳排放进行分类预测，分别按不同模型进行计算；S3、计算生成用户的碳排放数据。本发明专利技术混合了网络模型结构，输入家庭特征可以预测未来家庭碳排放，实现了家庭碳排放的核算与监测。相较于其他的基于预测模型，本发明专利技术的集成学习预测准确率更优，实现了家庭排名、家庭减排和家庭碳排放的核算，有助于激励用户低碳生活并完成家庭碳排放动态的监测核算。本发明专利技术提出的Lasso

【技术实现步骤摘要】
基于融合模型的家庭碳排放监测核算平台


[0001]本专利技术涉及碳排放监测
，特别涉及一种家庭碳排放监测方法及装置。

技术介绍

[0002]将“互联网+”手段引入碳排放的数据收集和平台构建成为趋势，数据收集单元和数据集的大小显得十分关键，同时对于数据的处理方式和预测模型将影响最终分析结果的精度。
[0003]实现家庭各项活动的全产业链的直接和间接碳排放核算与实施监测预警。碳排放一直是衡量环境影响的主要变量。家庭所需商品和服务的能源消费包含在各个行业的投入与生产的当中。家庭的各项消费行为都直接或者间接地消耗能源。在中国，随着经济的发展和结构性变化，家庭消费在整体的资源消耗中所占的比重和影响在逐年扩大。2018年后工业部门环保监测要求趋严，相应碳排放增速放缓，家庭作为消费需求端的碳排放相应措施值得关注，家庭部门具有较大的减碳潜力。
[0004]文献调研显示：适合大样本预测的特征分析方法具有显著的特性，且在具体算法模型的应用时需要根据研究框架进行改良。比如Zhao研究发现因为电池的低比例训练数据产生的过度拟合问题，传统的XGBoost(极限梯度提升)和人工神经网络(ArtificialNeural Network，ANN)等分析模型的平均绝对百分比误差(Mean Absolute PercentageError，MAPE)偏高，因此需要对其进行改良和优化才能进行电动车背后的能源需求的大规模预测的应用。
[0005]学者对家庭碳排放预测时通常采用情景模拟假设，基于较多的限制条件。如假定中等收入群体比例扩大后直接按照比例重新计算家庭消费额，预测的基准情景设置较为死板且容易因为假设错误而导致预测误差。学者主要使用计量模型为基础的预测，提出减少家庭碳足迹(Household Carbon Emissions，HCEs)和采用更环保的生活方式选择。然而估计这些行动的实际减少碳排放的成效需要同时考虑生活方式选择和家庭特征。因此，机器学习模型比普通计量模型更适用于大规模的分类回归预测，能够减少计量模型大量假设带来的不确定性的同时，增加预测的准确性，但是需要较大样本量的时序序列。
[0006]集成学习主要是通过对权重网络结果进行调整，但是针对只有5期面板的深度学习模型应该考虑分类对家庭个体造成的影响太具有瞬时性，而LSTM模型侧重于长期模型，因此不适用。已公布的专利技术：“碳数据处理、交互与展示方法、电子设备以及存储介质”申请号：CN202210012605.7，中提出由于能源处理链路能够良好地反映碳足迹的特征。而且数据收集的渠道包含了用户的单车数据等等转化的碳排量，但是其对于用户的碳减排激励没有以家庭为单位，且没有涉及未来碳排放预测。
[0007]需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，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。

技术实现思路

[0008]本专利技术的目的在于克服上述
技术介绍
的缺点，提供一种家庭碳排放监测方法及装置，以提高对家庭未来碳排放预测的准确率。
[0009]为实现上述目的，本专利技术采用以下技术方案：
[0010]一种基于融合模型的家庭碳排放监测方法，包括如下步骤：
[0011]S1、建立数据库和预测模型，针对CFPS数据，用Lasso算法提取特征；
[0012]S2、利用XGBoost预测的融合模型进行调参，并针对高碳排放、低碳排放进行分类预测，分别按不同模型进行计算；
[0013]S3、计算生成用户的碳排放数据：通过收集的家庭消费数据，通过投入产出矩阵的系数的转化和一次二次能源的碳排放因子的结合，计算出家庭在各大类消费的碳排放，加总为当年家庭碳排放。
[0014]在一些实施例中，步骤S1中，所述模型为多区域投入产出模型，结合多地区投入产出分析框架，其模型嵌入了不同地区的生产和服务在另一地区的消费的跨区域碳排放，和不同地区的家庭间的相互作用。
[0015]在一些实施例中，
[0016]所述多区域投入产出模型中，其具体公式如下：
[0017][0018]其中A表示投入产出的系数矩阵，地区内行业n个，s代表地区，X代表投入，y 代表需求。
[0019]在一些实施例中，
[0020]家庭消费碳排放系数公式如下：
[0021][0022]其中，EC
Hj
表示不同种类消费部门碳排放量，OP
Hj
表示消费部门的销售产值，I为单位向量矩阵，A为区域间投入产出表的系数矩阵；
[0023]就此对消费碳排放和直接碳排放进行加总得到的家庭碳排放，单位为kg。
[0024]在一些实施例中，
[0025]除对CFPS原有数据收集整理外，还获取用户自愿输入的数据。
[0026]在一些实施例中，
[0027]包括根据用户自愿输入的数据，对低碳行为激励的步骤，或者在生成家庭碳减排量数据的同时生成排名。
[0028]在一些实施例中，
[0029]步骤S1中，Lasso模型的目标函数中，其带有惩罚项的损失函数如下：
[0030][0031]其中m是样本数，k是参数，yi是家庭所有因变量，λ是惩罚项权重，wo表示权重，wj表示参数的惩罚项，xij包含了所有的协变量；
[0032]Lasso损失函数的惩罚项删掉了部分特征，剔除后的特征进行XGBoost进行碳排放高低的预测。
[0033]在一些实施例中，
[0034]步骤S2中，XGboost预测函数如下：
[0035][0036]其中Yi为对i个样本的预测值，fi(xi)表示通过i棵树对第i个样本进行预测，k表示K棵树，是相对于整个区域上的常数拟合和平方误差风险的最大估计改善；
[0037]XGBoost可以实现针对家庭特征的碳排放高低预测。
[0038]在一些实施例中，
[0039]步骤S1中，所述模型是基于CFPS训练好的一个LASSO
‑
XGBOOST集成学习的模型。
[0040]在一些实施例中，
[0041]所述训练过程包括：首先通过对家庭碳排放历史数据进行时序特征分析，提取基于历史数据的特征指标，用于深入挖掘家庭中历史数据的特性，基于特性指标及历史数据构建模型的输入数据集，然后基于深度学习算法通过多任务学习理论计及多元耦合信息，实现对家庭碳排放短期预测模型的训练。
[0042]一种基于融合模型的家庭碳排放监测装置，包括处理器和存储器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序可被所述处理器处理以执行上述的方法。
[0043]本专利技术具有如下有益效果：
[0044]本专利技术提出的一种家庭碳排放监测方法，混合了网络模型结构，输入家庭特征可以预测未来家庭碳排放，实现了家庭碳排放的核算与监测。本专利技术提出的 Lasso
‑
XGBoost融合模型能够更好的对家庭碳排放分类预测。该融合模型的个体学习器准确性高、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合模型的家庭碳排放监测方法，其特征在于，包括如下步骤：S1、建立数据库和预测模型，针对CFPS数据，用Lasso算法提取特征；S2、利用XGBoost预测的融合模型进行调参，并针对高碳排放、低碳排放进行分类预测，分别按不同模型进行计算；S3、计算生成用户的碳排放数据：通过收集的家庭消费数据，通过投入产出矩阵的系数的转化和一次二次能源的碳排放因子的结合，计算出家庭在各大类消费的碳排放，加总为当年家庭碳排放。2.如权利要求1所述的家庭碳排放监测方法，其特征在于，步骤S1中，所述模型为多区域投入产出模型，结合多地区投入产出分析框架，其模型嵌入了不同地区的生产和服务在另一地区的消费的跨区域碳排放，和不同地区的家庭间的相互作用。3.如权利要求2所述的家庭碳排放监测方法，其特征在于，所述多区域投入产出模型中，其具体公式如下：其中A表示投入产出的系数矩阵，地区内行业n个，s代表地区，X代表投入，y代表需求。4.如权利要求3所述的家庭碳排放监测方法，其特征在于，家庭消费碳排放系数公式如下：其中，EC
Hj
表示不同种类消费部门碳排放量，OP
Hj
表示消费部门的销售产值，I为单位向量矩阵，A为区域间投入产出表的系数矩阵；就此对消费碳排放和直接碳排放进行加总得到的家庭碳排放，单位为kg。5.如权利要求1所述的家庭碳排放监测方法，其特征在于，除对CFPS原有数据收集整理外，还获取用户自愿输入的数据。6.如权利要求5所述的家庭碳排放监测方法，其特征在于，还包括根据用户自愿输入的数据，对低碳行为激励的步骤，或者在生成家庭碳...

【专利技术属性】
技术研发人员：庞峥琦，孔英，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：