一种基于神经网络模型的碳排放预测方法及系统与流程

1.本发明涉及碳排放预测技术领域，特别是涉及一种基于神经网络模型的碳排放预测方法及系统。


背景技术：

2.近年来，随着全球气候变化的加剧，碳排放量的控制成为了各国政府和企业关注的重点。为了更好地制定碳排放减量政策，预测碳排放量成为了一项重要的研究课题。在产业园区中，碳排放是一项关键的环保问题，需要通过科学的预测方法来实现有效控制。然而，要想制定科学、可行的减排计划，首先需要准确地预测未来的碳排放量。传统的碳排放预测方法主要基于经验和统计学方法，缺乏准确性和可靠性。


技术实现要素：

3.为解决上述问题，本发明实施例的目的在于提供一种基于神经网络模型的碳排放预测方法及系统。
4.一种基于神经网络模型的碳排放预测方法，包括：
5.步骤1：获取产业园区在预设周期下的历史碳排放数据；
6.步骤2：对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；
7.步骤3：对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组；
8.步骤4：根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；
9.步骤5：将所述数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；
10.步骤6：利用所述碳排放预测模型确定目标产业园区的碳排放量。
11.优选的，所述步骤2：对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据，包括：
12.步骤2.1：计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数；
13.步骤2.2：判断均值系数的值是否在预设的范围内；
14.步骤2.3：若均值系数的值不在预设的范围内，则将相应预设周期的历史碳排放数据去除；
15.步骤2.4：若均值系数的值在预设的范围内，则将相应预设周期的历史碳排放数据保留，直到遍历完所有的历史碳排放数据，得到数据清洗后的碳排放数据。
16.优选的，所述步骤2.1：计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数，包括：
17.采用公式：
18.19.计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数；其中，p
x,y
为均值系数，cov(x,y)表示当前年份下预设周期的历史碳排放数据与前一年份预设周期的历史碳排放数据之间的协方差，α
x
表示当前年份下预设周期的历史碳排放数据的均值，αy表示前一年份预设周期的历史碳排放数据的均值。
20.优选的，所述步骤3：对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组，包括：
21.步骤3.1：根据聚类中心的个数构建目标函数；所述目标函数为：
[0022][0023]
其中，vi表示第i个聚类中心，m表示模糊阈值，表示数据点xj隶属第i个聚类中心的隶属度，d
ij
＝||x
j-vi||表示数据点xj与第i个聚类中心之间的距离；
[0024]
步骤3.2：对所述目标函数进行求解得到聚类中心更新函数；
[0025]
步骤3.3：利用所述聚类中心更新函数对数据清洗后的碳排放数据进行聚类得到多个聚类分组。
[0026]
优选的，所述步骤3.2：对所述目标函数进行求解得到聚类中心更新函数，包括：
[0027]
利用拉格朗日乘数法对所述目标函数进行求解得到聚类中心更新函数；其中，聚类中心更新函数为：
[0028][0029]
其中，d
kj
表示数据点xj到第k个聚类中心的距离。
[0030]
优选的，所述步骤4：根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型，包括：
[0031]
步骤4.1：将bp神经网络的输入层节点数量与聚类分组的数量保持一致；
[0032]
步骤4.2：采用经验公式确定隐含层节点数量；其中，经验公式为：
[0033][0034]
其中，h表示隐含层节点数量，m表示输入层节点数量，n表示输出层节点数量，t表示调节常数。
[0035]
优选的，在所述步骤5中，训练过程中的损失函数为：
[0036][0037]
其中，n表示训练样本的数量，θ表示卷积核权值和预设的神经网络模型的偏置值的集合，f(yi；θ)表示经过预设的神经网络模型yi的实际输出，xi表示与yi对应的目标输出
集合。
[0038]
优选的，在所述步骤5中，利用梯度优化模型对所述损失函数进行优化训练得到碳排放预测模型；其中，所述梯度优化模型为：
[0039][0040]
其中，δi表示经过第i次迭代的卷积核权值，w
il
表示第l层神经网络的偏置值，η表示学习率，表示损失函数与卷积核权值的偏导数。
[0041]
本发明还提供了一种基于神经网络模型的碳排放预测系统，包括：
[0042]
样本获取模块，用于获取产业园区在预设周期下的历史碳排放数据；
[0043]
数据清洗模块，用于对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；
[0044]
聚类模块，用于对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组；
[0045]
神经网络结构确定模块，用于根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；
[0046]
训练模块，用于将所述数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；
[0047]
碳排放量预测模块，用于利用所述碳排放预测模型确定目标产业园区的碳排放量。
[0048]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于神经网络模型的碳排放预测方法中的步骤。
[0049]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0050]
本发明涉及一种基于神经网络模型的碳排放预测方法及系统，与现有技术相比，本发明通过对数据清洗后的碳排放数据进行聚类，并基于聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量，不仅可以使神经网络的收敛加快，还可以大大提高目标产业园区碳排放量的预测精度。
[0051]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0053]
图1为本发明提供的实施例中的一种基于神经网络模型的碳排放预测方法流程图；
[0054]
图2为本发明提供的实施例中的一种基于神经网络模型的碳排放预测系统原理图。
具体实施方式
[0055]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0056]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0057]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0058]
请参阅图1，一种基于神经网络模型的碳排放预测方法，包括：
[0059]
步骤1：获取产业园区在预设周期下的历史碳排放数据；
[0060]
步骤2：对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；
[0061]
进一步的，步骤2包括：
[0062]
步骤2.1：计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数；本发明中，均值系数计算公式为：
[0063][0064]
其中，p
x,y
为均值系数，cov(x,y)表示当前年份下预设周期的历史碳排放数据与前一年份预设周期的历史碳排放数据之间的协方差，α
x
表示当前年份下预设周期的历史碳排放数据的均值，αy表示前一年份预设周期的历史碳排放数据的均值。
[0065]
步骤2.2：判断均值系数的值是否在预设的范围内；
[0066]
步骤2.3：若均值系数的值不在预设的范围内，则将相应预设周期的历史碳排放数据去除；
[0067]
步骤2.4：若均值系数的值在预设的范围内，则将相应预设周期的历史碳排放数据保留，直到遍历完所有的历史碳排放数据，得到数据清洗后的碳排放数据。
[0068]
本发明通过协方差和平均值构建均值系数计算公式，然后基于此可将不符合要求的历史碳排放数据去除，进而保证数据的真实性。
[0069]
步骤3：对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组；
[0070]
进一步的，所述步骤3包括：
[0071]
步骤3.1：根据聚类中心的个数构建目标函数；所述目标函数为：
[0072][0073]
其中，vi表示第i个聚类中心，m表示模糊阈值，表示数据点xj隶属第i个聚类中心的隶属度，d
ij
＝||x
j-vi||表示数据点xj与第i个聚类中心之间的距离；
[0074]
步骤3.2：对所述目标函数进行求解得到聚类中心更新函数；
[0075]
具体的，在本发明中，步骤3.2可以为：利用拉格朗日乘数法对所述目标函数进行求解得到聚类中心更新函数；其中，聚类中心更新函数为：
[0076][0077]
其中，d
kj
表示数据点xj到第k个聚类中心的距离。
[0078]
步骤3.3：利用所述聚类中心更新函数对数据清洗后的碳排放数据进行聚类得到多个聚类分组。
[0079]
步骤4：根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；
[0080]
bp神经网络(back propagation,简称bp)算法是基于数学和统计类型的学习方法，它具有较强的学习能力，可以通过误差反向传递进行模型监督。bp神经网络由输入层、一个或多个隐藏层和一个输出层组成。一般来说，输入层是模型的输入端，由输入数据的向量维度确定。本发明利用聚类分组的数量来量化输入数据的维度，可以使神经网络的训练精度大大提升。
[0081]
进一步的，步骤4包括：
[0082]
步骤4.1：将bp神经网络的输入层节点数量与聚类分组的数量保持一致；
[0083]
步骤4.2：采用经验公式确定隐含层节点数量；其中，经验公式为：
[0084][0085]
其中，h表示隐含层节点数量，m表示输入层节点数量，n表示输出层节点数量，t表示调节常数。
[0086]
当隐含层神经元个数增加时，很容易造成过拟合，即模型的训练误差下降，模型的测试误差上升，因此本发明采用了经验公式来确定隐含层节点数量，这样可以尽可能的避免过拟合现象出现。
[0087]
步骤5：将所述数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；
[0088]
需要说明的是，在所述步骤5中，训练过程中的损失函数为：
[0089][0090]
其中，n表示训练样本的数量，θ表示卷积核权值和预设的神经网络模型的偏置值的集合，f(yi；θ)表示经过预设的神经网络模型yi的实际输出，xi表示与yi对应的目标输出集合。
[0091]
在实际应用中，本发明是利用梯度优化模型对所述损失函数进行优化训练得到碳排放预测模型；其中，所述梯度优化模型为：
[0092][0093]
其中，δi表示经过第i次迭代的卷积核权值，w
il
表示第l层神经网络的偏置值，η表示学习率，表示损失函数与卷积核权值的偏导数。
[0094]
步骤6：利用所述碳排放预测模型确定目标产业园区的碳排放量。
[0095]
本发明通过利用bp神经网络拟合时间和目标产业园区的碳排放量之间的映射关系，同时利用梯度优化模型对损失函数进行优化，可以在最大程度上加快神经网络的收敛速度，提高目标产业园区碳排放量的预测精度。
[0096]
请参阅图2，本发明还提供了一种基于神经网络模型的碳排放预测系统，包括：
[0097]
样本获取模块，用于获取产业园区在预设周期下的历史碳排放数据；
[0098]
数据清洗模块，用于对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；
[0099]
聚类模块，用于对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组；
[0100]
神经网络结构确定模块，用于根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；
[0101]
训练模块，用于将所述数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；
[0102]
碳排放量预测模块，用于利用所述碳排放预测模型确定目标产业园区的碳排放量。
[0103]
与现有技术相比，本发明提供的一种基于神经网络模型的碳排放预测系统的有益效果与上述技术方案所述一种基于神经网络模型的碳排放预测方法的有益效果相同，在此不做赘述。
[0104]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于神经网络模型的碳排放预测方法中的步骤。
[0105]
与现有技术相比，本发明提供的一种计算机可读存储介质的有益效果与上述技术方案所述一种基于神经网络模型的碳排放预测方法的有益效果相同，在此不做赘述。
[0106]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换的技术方
案，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于神经网络模型的碳排放预测方法，其特征在于，包括：步骤1：获取产业园区在预设周期下的历史碳排放数据；步骤2：对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；步骤3：对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组；步骤4：根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；步骤5：将所述数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；步骤6：利用所述碳排放预测模型确定目标产业园区的碳排放量。2.根据权利要求1所述的一种基于神经网络模型的碳排放预测方法，其特征在于，所述步骤2：对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据，包括：步骤2.1：计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数；步骤2.2：判断均值系数的值是否在预设的范围内；步骤2.3：若均值系数的值不在预设的范围内，则将相应预设周期的历史碳排放数据去除；步骤2.4：若均值系数的值在预设的范围内，则将相应预设周期的历史碳排放数据保留，直到遍历完所有的历史碳排放数据，得到数据清洗后的碳排放数据。3.根据权利要求2所述的一种基于神经网络模型的碳排放预测方法，其特征在于，所述步骤2.1：计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数，包括：采用公式：计算不同年份下在相同预设周期的历史碳排放数据之间的均值系数；其中，p
x,y
为均值系数，cov(x,y)表示当前年份下预设周期的历史碳排放数据与前一年份预设周期的历史碳排放数据之间的协方差，α
x
表示当前年份下预设周期的历史碳排放数据的均值，α
y
表示前一年份预设周期的历史碳排放数据的均值。4.根据权利要求3所述的一种基于神经网络模型的碳排放预测方法，其特征在于，所述步骤3：对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组，包括：步骤3.1：根据聚类中心的个数构建目标函数；所述目标函数为：其中，v
i
表示第i个聚类中心，m表示模糊阈值，表示数据点x
j
隶属第i个聚类中心的隶属度，d
ij
＝||x
j-v
i
||表示数据点x
j
与第i个聚类中心之间的距离；步骤3.2：对所述目标函数进行求解得到聚类中心更新函数；步骤3.3：利用所述聚类中心更新函数对数据清洗后的碳排放数据进行聚类得到多个聚类分组。5.根据权利要求4所述的一种基于神经网络模型的碳排放预测方法，其特征在于，所述步骤3.2：对所述目标函数进行求解得到聚类中心更新函数，包括：
利用拉格朗日乘数法对所述目标函数进行求解得到聚类中心更新函数；其中，聚类中心更新函数为：其中，d
kj
表示数据点x
j
到第k个聚类中心的距离。6.根据权利要求5所述一种基于神经网络模型的碳排放预测方法，其特征在于，所述步骤4：根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型，包括：步骤4.1：将bp神经网络的输入层节点数量与聚类分组的数量保持一致；步骤4.2：采用经验公式确定隐含层节点数量；其中，经验公式为：其中，h表示隐含层节点数量，m表示输入层节点数量，n表示输出层节点数量，t表示调节常数。7.根据权利要求6所述一种基于神经网络模型的碳排放预测方法，其特征在于，在所述步骤5中，训练过程中的损失函数为：其中，n表示训练样本的数量，θ表示卷积核权值和预设的神经网络模型的偏置值的集合，f(y
i
；θ)表示经过预设的神经网络模型y
i
的实际输出，x
i
表示与y
i
对应的目标输出集合。8.根据权利要求7所述一种基于神经网络模型的碳排放预测方法，其特征在于，在所述步骤5中，利用梯度优化模型对所述损失函数进行优化训练得到碳排放预测模型；其中，所述梯度优化模型为：其中，δ
i
表示经过第i次迭代的卷积核权值，w
il
表示第l层神经网络的偏置值，η表示学习率，表示损失函数与卷积核权值的偏导数。9.一种基于神经网络模型的碳排放预测系统，其特征在于，包括：样本获取模块，用于获取产业园区在预设周期下的历史碳排放数据；数据清洗模块，用于对所述历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；
聚类模块，用于对所述数据清洗后的碳排放数据进行聚类得到多个聚类分组；神经网络结构确定模块，用于根据聚类分组的数量确定bp神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；训练模块，用于将所述数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；碳排放量预测模块，用于利用所述碳排放预测模型确定目标产业园区的碳排放量。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于神经网络模型的碳排放预测方法中的步骤。

技术总结
本发明涉及一种基于神经网络模型的碳排放预测方法及系统，包括：对产业园区的历史碳排放数据进行数据清洗得到数据清洗后的碳排放数据；对数据清洗后的碳排放数据进行聚类得到多个聚类分组；根据聚类分组的数量确定BP神经网络的输入层节点数量和隐含层节点数量得到预设的神经网络模型；将数据清洗后的碳排放数据作为训练样本输入到预设的神经网络模型中进行训练得到碳排放预测模型；利用碳排放预测模型确定目标产业园区的碳排放量。本发明通过对数据清洗后的碳排放数据进行聚类，并基于聚类分组的数量确定BP神经网络的输入层节点数量和隐含层节点数量，不仅可以使神经网络的收敛加快，还可以大大提高目标产业园区碳排放量的预测精度。量的预测精度。量的预测精度。


技术研发人员：杨俊杰
受保护的技术使用者：北京市生态环境保护科学研究院
技术研发日：2023.07.17
技术公布日：2023/10/15