System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及碳排放预测,具体而言,涉及一种基于tsa-arima-cnn的企业碳排放预测方法。
技术介绍
1、矿业行业是一些工业国家重要的能源和原材料来源,在矿业生产作业的同时会排放大量的温室气体。温室气体过度排放会对环境造成严重的危害从而引起一系列的自然灾害,例如:加快冰雪融化造成海平面上升、气温升高和土地干旱等,因此有效减少温室气体的排放迫在眉睫。正因如此,对于矿山企业的碳排放的预测具有很大的研究价值,通过预测矿山企业的碳排放,可以有效评估矿山企业的潜在碳排放是否符合排放标准,从而减少温室气体的排放。
2、目前,在碳排放预测领域,大多使用单一的机器学习或深度学习模型如:支持向量机、神经网络等进行建模预测。由于矿业生产在不同时间生产量的不同和设备磨损等原因导致碳排放数据中存在线性和非线性特征,然而单一的模型很难同时捕捉数据中存在的线性和非线性特征,从而导致模型的预测精度较低。
3、因此,急需专利技术一种用于解决现有技术中单一模型难以捕捉碳排放数据中存在的线性和非线性特征,从而导致模型的预测精度较低的企业碳排放预测方法。
技术实现思路
1、鉴于此,本专利技术提出了一种基于tsa-arima-cnn的企业碳排放预测方法,旨在解决当前技术中单一模型难以捕捉碳排放数据中存在的线性和非线性特征,从而导致模型的预测精度较低的问题。
2、本专利技术提出了一种基于tsa-arima-cnn的企业碳排放预测方法,包括:
3、获取所述企业生产的历史碳
4、获取arima(autoregressive integrated moving average model,差分自回归移动平均模型)模型的最优参数,并根据所述最优参数建立arima模型;
5、将rmse和r2作为评价指标,并获取cnn(convolutional neural network,卷积神经网络)模型的最优参数,建立cnn模型;
6、将归一化处理后的所述历史碳排放时间序列数据代入所述arima模型以及所述cnn模型进行预测,并获取所述arima模型的碳排放预测序列以及所述cnn模型的碳排放预测序列;
7、基于特征选择算法将所述arima模型的碳排放预测序列以及所述cnn模型的碳排放预测序列进行选择或加权,并获取选择或加权后的预测结果;
8、将所述预测结果进行反归一化处理,并将反归一化处理的所述预测结果设定为碳排放预测输出结果。
9、进一步的,基于特征选择算法将所述arima模型的碳排放预测序列以及所述cnn模型的碳排放预测序列进行选择或加权,并获取选择或加权后的预测结果时,包括:
10、获取所述arima模型的碳排放预测值与碳排放实际值之间的残差的绝对值;
11、获取所述cnn模型的碳排放预测值与碳排放实际值之间的残差的绝对值;
12、设置大小为t的窗口,并在所述窗口内计算所述arima模型的残差的绝对值的总和以及所述cnn模型的残差的绝对值的总和;
13、将所述arima模型的残差的绝对值的总和与所述cnn模型的残差的绝对值的总和之间大小关系,确定待定预测序列;
14、获取所述窗口内不同时间点的arima模型预测值的残差的绝对值的a值数量以及所述窗口内不同时间点的cnn模型预测值的残差的绝对值的a值数量,并获得arima模型和cnn模型预测序列的权重,以此确定待定预测序列;
15、设定函数rmse,并获取区间0~1之间网格化搜索arima模型和cnn模型预测序列的权重,并根据所述arima模型和cnn模型预测序列的权重作为阈值,以此确定待定预测序列;
16、获取待定预测序列、和在测试集的rmse,根据所述待定预测序列、和的rmse之间的大小关系进行比对,并根据比对结果选定所述预测结果。
17、进一步的,将所述arima模型的残差的绝对值的总和与所述cnn模型的残差的绝对值的总和之间大小关系,确定待定预测序列时,包括:
18、获取所述arima模型的残差的绝对值的总和以及cnn模型的残差的绝对值的总和,并根据所与之间的关系确定所述待定预测序列;其中,
19、当时,则确定所述arima模型的碳排放预测值为待定预测序列;
20、当时,则确定所述cnn模型的碳排放预测值为待定预测序列。
21、进一步的,获取所述窗口内不同时间点的arima模型预测值的残差的绝对值的a值数量以及所述窗口内不同时间点的cnn模型预测值的残差的绝对值的a值数量,并获得arima模型和cnn模型预测序列的权重,以此确定待定预测序列时,包括:
22、获取所述arima模型的预测序列的权重为窗口内不同时间点的arima模型预测值的残差的绝对值的a值的个数;
23、获取所述cnn模型的预测序列的权重;
24、根据所述arima模型的预测序列的权重和cnn模型的预测序列的权重,并基于公式ⅰ获取所述待定预测序列,所述公式ⅰ如下所示:
25、
26、其中,为所述arima模型的预测序列,为所述cnn模型的预测序列。
27、进一步的,设定函数rmse(root mean square error,均方根误差),并获取区间0~1之间网格化搜索arima模型和cnn模型预测序列的权重,并根据所述arima模型和cnn模型预测序列的权重作为阈值,以此确定待定预测序列时,包括:
28、设定适应度函数rmse,并获取区间0~1之间以0.01为间隔的arima模型权重的可能取值的适应度函数rmse的值和cnn模型权重的可能取值的适应度函数rmse的值;
29、获取所述arima模型权重的可能取值的适应度函数rmse的值中的最小值对应的权重作为所述arima模型的权重,且;
30、获取所述cnn模型权重的可能取值的适应度函数rmse的值中的最小值对应的权重作为所述cnn模型的权重,且;
31、根据所述arima模型的权重和cnn模型的权重基于公式ⅱ获取所述待定预测序列,所述公式ⅱ如下所示:
32、。
33、进一步的,根据所述待定预测序列、和的rmse之间的大小关系进行比对,并根据比对结果选定所述预测结果时,包括:
34、获取所述待定预测序列的rmse△a1、待定预测序列的rmse△a2和待定预测序列的rmse△a3,并根据所述△a1与△a2以及△a3之间进行比对,并根据比对结果确定为所述预测结果;
35、当△a1<△a2,且△a1<△a3时,则确定所述待定预测序列为所述预测结果;
36、当△a1>△a2,且△a2<△a3时,则确定所述待定预测序列为所述预测结果;
37、当△a1>△a3,且△a2>△a3时,则确定所述待定预测序本文档来自技高网...
【技术保护点】
1.一种基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,包括:
2.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权,并获取选择或加权后的预测结果时,包括:
3.如权利要求2所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,将所述ARIMA模型的残差的绝对值的总和与所述CNN模型的残差的绝对值的总和之间大小关系,确定待定预测序列时,包括:
4.如权利要求3所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,获取所述窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及所述窗口内不同时间点的CNN模型预测值的残差的绝对值的A值数量,并获得ARIMA模型和CNN模型预测序列的权重,以此确定待定预测序列时,包括:
5.如权利要求4所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,设定函数RMSE,并获取区间0~1之间网格化
6.如权利要求5所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,根据所述待定预测序列、和的RMSE之间的大小关系进行比对,并根据比对结果选定所述预测结果时,包括:
7.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,获取所述企业生产的历史碳排放时间序列数据,并对所述历史碳排放时间序列数据进行归一化处理时,包括:
8.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,获取ARIMA模型的最优参数,并根据所述最优参数建立ARIMA模型时,包括:
9.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,将RMSE和作为评价指标,并获取CNN模型的最优参数,建立CNN模型时,包括:
...【技术特征摘要】
1.一种基于tsa-arima-cnn的企业碳排放预测方法,其特征在于,包括:
2.如权利要求1所述的基于tsa-arima-cnn的企业碳排放预测方法,其特征在于,基于特征选择算法将所述arima模型的碳排放预测序列以及所述cnn模型的碳排放预测序列进行选择或加权,并获取选择或加权后的预测结果时,包括:
3.如权利要求2所述的基于tsa-arima-cnn的企业碳排放预测方法,其特征在于,将所述arima模型的残差的绝对值的总和与所述cnn模型的残差的绝对值的总和之间大小关系,确定待定预测序列时,包括:
4.如权利要求3所述的基于tsa-arima-cnn的企业碳排放预测方法,其特征在于,获取所述窗口内不同时间点的arima模型预测值的残差的绝对值的a值数量以及所述窗口内不同时间点的cnn模型预测值的残差的绝对值的a值数量,并获得arima模型和cnn模型预测序列的权重,以此确定待定预测序列时,包括:
5.如权利要求4所述的基于tsa-arima-cnn的企业碳排放预测方法,其...
【专利技术属性】
技术研发人员:孙乾,王玲,韩秀丽,陈丽芳,李存国,于晓东,刘淑贤,聂轶苗,
申请(专利权)人:华北理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。