[发明专利]一种基于动态时滞模型预测碳排放量的方法及终端

说明书

本发明公开一种基于动态时滞模型预测碳排放量的方法及其终端，包括以下步骤：S1、收集影响碳排放量的因素的原始数据，并经过标准化处理和最大信息系数法筛选，得到碳排放主要影响因素；S2、构建影响因素的第一累加序列和碳排放量的第二累加序列；S3、运用脉冲响应函数确定变量间的动态响应关系，得到变量间的最优滞后参数；S4、判断影响因素与碳排放量间是否存在时滞关系，若是，则设置时滞间隔并计算时滞权重，并计算模型参数值，若否，则直接计算模型参数值；S5、将模型参数值和主要影响因素代入增强型多变量动态时滞离散灰色预测模型，计算出碳排放量在第二累加序列下的拟合值和预测值。从而反映不同影响因素的滞后过程，提高模型的预测精度。

技术领域

本发明涉及碳排放预测技术领域，特别是涉及一种基于动态时滞模型预测碳排放量的方法及终端。

背景技术

以二氧化碳为主的持续温室气体排放将导致人类面临多重风险，故碳减排议题引起了广泛关注。可靠的碳排放预测可以有效地监测二氧化碳排放，以使人们更好地应对气候变化，即根据可靠的碳排放预测结果，调整减排策略，制定可行的行动计划，实现低碳可持续发展。

现有研究为碳排放预测提供了有意义的经验和理论成果。已经建立了许多模型来进行碳排放的预测，例如包括回归技术在内的统计模型和包括支持向量机和反向传播神经网络(BPNN)在内的机器学习模型。然而，统计模型和机器学习方法需要大量的历史数据。为了解决在实际应用中出现的有限样本的预测问题，研究者使用了灰色预测模型，该模型对小样本数据的预测效果较好。因此，灰色预测模型被广泛应用于的诸多领域的研究。

然而，上述方法忽略了各因素对碳排放影响的时滞效应。碳排放受到诸多因素的制约，通常情况下，碳排放与其相关因素之间存在不同的时滞，例如，不同的技术和政策需要不同的时间来影响碳排放。减少碳排放的技术或政策的效果可能会在几个月或几年后才显现，并且很多因素对碳排放影响的时滞效应不会随着时间延续。效应从开始到消失的时间间隔称为有效滞后时间间隔。滞后效应不能表示为一个线性变化过程，它随时间呈非线性变化，例如，技术投入对碳排放的滞后效应呈现出先增大后减小的趋势，而政策实施的有效性往往在实施初期较大，之后逐渐减小，因而对碳排放的整体滞后效应呈现出逐渐减小的趋势。现有许多研究对分析或确定现实世界中的时滞进行了研究。大量的模型被提出，例如自回归分布滞后(ARDL)。进行时滞关系分析和确定滞后期具有重要意义，然而，鲜有探究相关因素对碳排放的动态滞后效应过程，二者之间的动态响应关系尚不明确。综上所述，碳排放与相关因素之间的滞后关系尚未得到深入研究。另一方面，现有的静态时滞模型不能反映随时间变化的动态滞后过程。此外，在类似的研究中，线性关系的影响往往被低估，这限制了模型对更多类型数据的适应性。虽然时滞效应在许多实际应用中具有有效的时滞区间，但仍然很少受到关注。因此，更贴近现实系统的动态演化，潜在的动态滞后机制研究仍然由较大的提升空间。

发明内容

本发明所要解决的技术问题是：提供的一种基于动态时滞模型预测碳排放量的方法及其终端，反应不同影响因素的滞后过程，提高模型的预测精度。

为了解决上述技术问题，本发明采用的一种技术方案为：

一种基于动态时滞模型预测碳排放量的方法，包括以下步骤：

S1、收集影响碳排放量的因素的原始数据，并对所述原始数据进行标准化处理得到二次数据，运用最大信息系数法对所述二次数据进行筛选得到碳排放主要影响因素；

S2、根据所述主要影响因素，构建影响因素的第一累加序列和碳排放量的第二累加序列；

S3、运用脉冲响应函数确定变量之间的动态响应关系，得到变量之间的最优滞后参数；

S4、基于所述第一累加序列和第二累加序列，判断所述影响因素与碳排放量之间是否存在时滞关系，若是，则设置时滞间隔并计算时滞权重，并计算模型参数值，若否，则直接计算模型参数值；