一种基于SPNN和GNNWR的碳排放预测方法及系统

技术领域

本发明涉及碳排放预测技术领域，尤其涉及一种基于SPNN和GNNWR的碳排放预测方法及系统。

背景技术

据统计，全球每年排出的温室气体高达510亿吨，若要避免气候变化所带来的灾害，世界各国就必须减少温室气体的排放。近年来，对碳排放的相关研究也越来越多，这不仅是为解决当前环境问题提供支持，也是为国家实现碳减排相关目标提供理论依据。

而且，在全球气候突变的环境影响下，根据当前碳排放量来评估得到相应的处理措施变得异常艰难，且随着部分地区的不同，需考虑各种因素，导致碳排放模型预测的结果准确率较低，预测结果较慢。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了一种基于SPNN和GNNWR的碳排放预测方法，用来解决背景技术中的问题。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明提供了一种基于SPNN和GNNWR的碳排放预测方法，包括：

获取碳排放预测所需的历史数据，并对所述数据进行预处理；

考虑碳排放影响因素和碳排放的动态变化，并将所述动态变化分为三层，构建SPNN-GNNWR预测的层次模型；

依据动态变化分层，将所述第一层作为所述层次模型的目标层，第二层作为所述层次模型的规则层，第三层作为所述层次模型的输出层，若所述目标层中的碳排放量高于碳排放系数，则舍弃所述碳排放系数进入所述规则层，否则进入所述输出层，输出当前的碳排放量，若所述目标层中的碳排放量低于碳排放系数，则舍弃所述碳排放量，重新返回动态变化分层处；

将动态变化层数处理过的碳排放量输入至所述层次模型，得到碳排放预测结果。

作为本发明所述的基于SPNN和GNNWR的碳排放预测方法的一种优选方案，其中：获取碳排放预测所需的历史数据，并对所述数据进行预处理，包括：

根据各能源种类的燃烧氧化率得到碳排放系数，再根据所述碳排放系数计算得到碳排放量；

将所述碳排放系数和碳排放量进行无量纲处理。

作为本发明所述的基于SPNN和GNNWR的碳排放预测方法的一种优选方案，其中：考虑碳排放影响因素和碳排放的动态变化，包括：

设定影响因素一C

从中取得所述因素一中的碳排放因子C

若R值均小于C

其中，x和y为因素中的距离量，m、i和j表示碳排放处理时的邻近值。

作为本发明所述的基于SPNN和GNNWR的碳排放预测方法的一种优选方案，其中：还包括：

通过灰度关联规则，将所述R值得到无波动影响的碳排放作为最小—最大标准化值的最大值，受到影响的碳排放作为最小值。

作为本发明所述的基于SPNN和GNNWR的碳排放预测方法的一种优选方案，其中：所述最小—最大标准化值，包括：

设定n个标准化变量，将碳排放无波动影响的所有值表示为

建立目标函数，表示为：

其中，X

作为本发明所述的基于SPNN和GNNWR的碳排放预测方法的一种优选方案，其中：所述构建SPNN-GNNWR预测的层次模型，包括：

SPNN的模型定义如下：

p

其中，[·]

通过对所述SPNN模型进行拟合，构建SWNN模型，通过所述SWNN模型得到任意碳排放量因子的空间权值矩阵；

训练所述空间权重矩阵，得到GNNWR的线性回归系数和自变量。

作为本发明所述的基于SPNN和GNNWR的碳排放预测方法的一种优选方案，其中：通过对所述SPNN模型进行拟合，构建SWNN模型，包括：

所述拟合为非线性效应，表示为：

p

其中，

[x

第二方面，本发明提供了基于SPNN和GNNWR的碳排放预测系统，其包括：

预处理模块，用于获取碳排放预测所需的历史数据，并对所述数据进行预处理；

模型构建模块，用于考虑碳排放影响因素和碳排放的动态变化，并将所述动态变化分为三层，构建SPNN-GNNWR预测的层次模型；

模型分层模块，依据动态变化分层，用于将所述第一层作为所述层次模型的目标层，第二层作为所述层次模型的规则层，第三层作为所述层次模型的输出层，若所述目标层中的碳排放量高于碳排放系数，则舍弃所述碳排放系数进入所述规则层，否则进入所述输出层，输出当前的碳排放量，若所述目标层中的碳排放量低于碳排放系数，则舍弃所述碳排放量，重新返回动态变化分层处；

结果预测模块，用于将动态变化层数处理过的碳排放量输入至所述层次模型，得到碳排放预测结果。

第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。

与现有技术相比，发明有益效果为：本发明通过获取碳排放预测所需的历史数据，并对数据进行预处理；考虑碳排放影响因素和碳排放的动态变化，并将动态变化分为三层，构建SPNN-GNNWR预测的层次模型；将动态变化层数处理过的碳排放量输入至层次模型，得到碳排放预测结果；本发明构建碳排放SPNN-GNNWR预测模型，采用非线性拟合效应，使得模型在训练和定义时的数据更加精细，从而使得碳排放预测的准确率值得到提高，解决了实际碳排放预测过慢的问题，为实现节能减排，发展低碳经济提供了有效保障。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：

图1为本发明一个实施例所述的基于SPNN和GNNWR的碳排放预测方法的总体流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也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，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明第一个实施例，该实施例提供了一种基于SPNN和GNNWR的碳排放预测方法，包括：

S1、获取碳排放预测所需的历史数据，并对数据进行预处理；

进一步的，根据各能源种类的燃烧氧化率得到碳排放系数，再根据所述碳排放系数计算得到碳排放量；

具体的，得到碳排放系数C

C

其中，N

具体的，得到碳排放量公式表示为：

CE＝∑C

其中，E

进一步的，通过灰度关联规则，将R值得到无波动影响的碳排放作为最小—最大标准化值的最大值，受到影响的碳排放作为最小值；

优选的，使用灰度关联规则中的无量纲方式对碳排放系数和碳排放量进行处理，表示如下：

其中，q为碳排放量和碳排放系数之间的因素关联系数，取值范围为(0.2，0.7)；参考表1；

表1

进一步的，设定影响因素一C

更进一步的，从中取得因素一中的碳排放因子C

更进一步的，若R值均小于C

其中，x和y为因素中的距离量，m、i和j表示碳排放处理时的邻近值；

应当说明的是，对于碳排放因子之间作比较可以很好的识别高排放源，并制定相应的减排策略，以便推动可持续的生产方式；

进一步的，设定n个标准化变量，将碳排放无波动影响的所有值表示为

更进一步的，建立目标函数，表示为：

其中，X

优选的，X

S2、考虑碳排放影响因素和碳排放的动态变化，并将动态变化分为三层，构建SPNN-GNNWR预测的层次模型；

进一步的，SPNN的模型定义如下：

p

其中，[·]

更进一步的，通过对SPNN模型进行拟合，构建SWNN模型，通过SWNN模型得到任意碳排放量因子的空间权值矩阵；

具体的，空间权值矩阵表示为：

更进一步的，训练空间权重矩阵，得到GNNWR的线性回归系数和自变量；

优选的，拟合为非线性效应，表示为：

p

其中，

[x

应当说明的是，使用非线性效应的拟合能够给模型训练带来更好的预测能力，并能够使得模型获得鲁棒性；

S3、依据动态变化分层，将第一层作为层次模型的目标层，第二层作为层次模型的规则层，第三层作为层次模型的输出层，若目标层中的碳排放量高于碳排放系数，则舍弃碳排放系数进入规则层，否则进入输出层，输出当前的碳排放量，若目标层中的碳排放量低于碳排放系数，则舍弃碳排放量，重新返回动态变化分层处；

进一步的，目标层与规则层互为关联层，规则层与输出层互为连接层，目标层与输出层互为相对层；

应当说明的是，分层步骤对于模型来说可以带来更好的灵活性，通过层与层之间的联系，能够实现模型训练时的资源优化，有助于降低模型成本和碳排放指标；

S4、将动态变化层数处理过的碳排放量输入至层次模型，得到碳排放预测结果；

进一步的，模型接收到输入的碳排放量之后，通过得到的空间权重矩阵，将GNNWR的线性回归系数和自变量分别作为模型的权重因子和模型的迭代次数，待模型训练结束后，对输出的参数进行评估。

进一步的，本实施例还提供一种基于SPNN和GNNWR的碳排放预测系统，包括：

预处理模块，用于获取碳排放预测所需的历史数据，并对所述数据进行预处理；

模型构建模块，用于考虑碳排放影响因素和碳排放的动态变化，并将所述动态变化分为三层，构建SPNN-GNNWR预测的层次模型；

模型分层模块，依据动态变化分层，用于将所述第一层作为所述层次模型的目标层，第二层作为所述层次模型的规则层，第三层作为所述层次模型的输出层，若所述目标层中的碳排放量高于碳排放系数，则舍弃所述碳排放系数进入所述规则层，否则进入所述输出层，输出当前的碳排放量，若所述目标层中的碳排放量低于碳排放系数，则舍弃所述碳排放量，重新返回动态变化分层处；

结果预测模块，用于将动态变化层数处理过的碳排放量输入至所述层次模型，得到碳排放预测结果。

本实施例还提供一种计算机设备，适用于基于SPNN和GNNWR的碳排放预测方法的情况，包括：

存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于SPNN和GNNWR的碳排放预测方法。

该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于SPNN和GNNWR的碳排放预测方法。

本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

实施例2

参照表2，为本发明第二个实施例，该实施例提供了一种基于SPNN和GNNWR的碳排放预测方法，包括：通过仿真实验的方式验证本发明的有益效果；

获得某地区各城市各年度数据集，按比例分为70％的训练集，15％的验证集，15％的测试集；增加最大迭代值和过拟合临界值；

设定七个碳排放相关影响因素，其中影响因素对应的模型参数设置为七个输入层神经元和一个输出层神经元，输出变量为碳排放量；将求得的GNNWR的线性回归系数和自变量导入本发明建立的层次模型，得到结果；

在模型训练过程中判断过拟合临界值，保存当前网络的权重参数，且把过拟合临界值初始化为零，并观察此时的过拟合临界值是不是最大，倘若是，则输出模拟拟合结果，若不是，则迭代值+1；得到表2结果如下：

表2

由表2可知，其中，R

本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。