[发明专利]一种二氧化碳排放量预测方法

说明书

本发明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。本发明具有高效的计算性能和优良的全局搜索能力。

技术领域

本发明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。

背景技术

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。

发明内容

为了解决上述问题，本发明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；f_i是第i只青蛙的适应度；f_avg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；