基于支持向量回归机的中国碳排放预测模型

选取人口、城镇化率、人均GDP、服务业增加值比重、单位GDP能耗、煤炭消费比例等6项影响因素作为自变量,运用支持向量回归机方法构建中国碳排放预测模型。以1980—2009年碳排放及影响因素数据为样本,通过训练、测试得到具有良好学习与推广能力的支持向量回归机模型。结合"十二五"规划,设置不同情境下影响因素预测值,对2010—2015年中国碳排放进行预测。预测结果表明,中国可适当降低GDP增速,不断优化能源结构,以确保碳减排目标的有效实现。     

中国碳排放量的组合模型及预测

根据碳排放的演化规律,采用ARIMA模型与BP神经网络集成的组合模型,对中国碳排放量进行预测研究;取1980—2007年中国碳排放量作为训练样本,确定模型参数;然后取2008—2013年中国碳排放量作为测试样本对文中的组合模型进行验证,并与已有文献所建立的预测模型进行比较,结果显示,此处所建立的组合模型预测误差极小;最后,根据组合模型对2014—2020年中国碳排放量进行预测,指出中国还将继续面临碳减排压力。     

建筑碳排放影响因素分析及情景预测

为了解建筑碳排放的影响因素,以江苏省2005—2019年的建筑碳排放数据为研究对象,采用STIRPAT模型对影响建筑碳排放因素进行分析,并以常住人口、城镇化率、人均GDP、第三产业增加值、钢材产量、平均运输里程、建筑企业劳动生产率等为建筑全生命周期各阶段的主要影响因素,利用GA-BP神经网络模型对该省2020—2030年的建筑碳排放进行预测.实验结果表明：常住人口、城镇化率、钢材产量、平均运输里程以及建筑企业劳动生产率的提高会增加建筑碳排放;而人均GDP和第三产业增加值的上升有利于建筑碳排放量的减少.预测结果显示,江苏省建筑全生命周期碳排放在2012年已达到峰值,表明未来江苏省建筑碳排放总体呈下降趋势.该文结果为江苏省建筑业碳减排工作提供理论依据,同时江苏省作为建筑业大省,其在建筑业发展及碳减排工作推进中的经验也将为其他省份提供宝贵的参考价值.     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

北京市碳排放强度预测研究——基于离散二阶差分方法分析

碳排放强度的降低是当前我国低碳行业研究的重点.在系统总结国内外碳排放研究现状的基础上,分析碳排放的影响因素,随后详细论述本文所运用的碳排放预测方法——离散二阶差分方程预测模型(DDEPM).随后应用DDEPM方法,针对1990—2013年北京碳排放强度的相关数据进行预测分析,并且利用两种模式对北京2020年碳排放强度进行对比预测分析,通过所得数据,为北京市节能减排提供数据支持与参考.     

基于门循环单元神经网络模型的煤层底板突水动态预测

在煤层底板突水理论及现场实测数据分析基础上,建立了煤层底板突水影响因素突水指标,并通过Wrapper评价策略的特征选择,筛选出了影响煤矿底板突水的主控因素。在对动态的煤层底板突水门循环单元神经网络模型进行训练并完成构建之后,将其与三种静态神经网络预测模型进行比较。结果表明:煤层底板突水门循环神经网络模型预测的准确率在训练、验证及测试阶段都高于静态神经网络预测模型,能够很好地完成煤层底板突水预测,提高煤矿生产安全。     

城市建筑安装涂料VOCs排放量模拟预测研究

通过建立灰色离散分数阶预测模型GM(1,1)、BP和RBF神经网络预测模型,以西安市建筑安装涂料产生的VOCs为例,将用于建筑安装的涂料量以及其驱动因子数据作为模型的输入值,用收集整理的2004—2011年16组西安建筑安装涂料消耗量数据进行BP和RBF神经网络训练模拟,2011—2014年5组年数据进行检验预测,采用曲线拟合度和相对误差2个评价指标对3种预测模型结果进行比较分析。结果表明,灰色预测、BP和RBF神经网络预测模型的样本训练及预测的平均误差为:-16.53%,、7.05%,和4.73%,,结合真实值与预测值的曲线拟合和误差下降曲线来看,RBF神经网络的预测结果优于BP神经网络预测结果,采用RBF神经网络预测模型对城市建筑安装VOCs的排放量进行预测具有模拟效果好和预测精度高的优势,对城市VOCs的治理有一定的参考价值。     

中国碳排放影响因素分析和趋势预测——基于STIRPAT和GM(1,1)模型的实证研究

采用STIRPAT模型全面地对影响中国2000—2011年碳排放的因素进行分析,并利用灰色模型GM(1,1)预测了中国2012—2020年碳排放量.研究结果显示:城镇化率、经济增长、产业结构、能源价格、人口、能源结构和外贸强度对碳排放量有一定的促进作用,技术进步对碳排放量具有较强的抑制作用;其中对中国碳排放量增加影响较大的因素是人口和产业结构;根据GM(1,1)预测模型的结果,可以看出未来的减排压力还很大.因此,治理碳排放的政策应该综合考虑人口、产业结构和技术进步等影响因素.     

山东省建筑业碳排放影响因素及峰值预测

为丰富山东省建筑业碳排放领域的研究,利用碳排放系数法建立了时间序列下山东省建筑业碳排放计算模型,分析了2004—2019年山东省建筑业碳排放情况。基于STIRPAT模型识别建筑业碳排放影响因素,利用最小二乘法和岭回归对影响因素进行定性分析,再将影响因素引入情景分析。通过控制影响因素变化速率,设置多种情景,预测山东省建筑业碳达峰出现时间与达峰量值。结果表明,结构因素对山东省建筑业碳排放的影响最大,其次是人口规模。情景预测结果显示,控制人口涨幅、加速优化能源结构和产业结构、降低对煤炭的依赖程度和降低碳排放强度是2030年达到碳排放峰值年的关键控制指标。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。