本發(fā)明涉及產(chǎn)品碳足跡計算領(lǐng)域，尤其涉及一種基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測方法及相關(guān)裝置。

背景技術(shù)：

1、隨著全球氣候變化問題日益嚴(yán)重，減少碳排放和實(shí)施可持續(xù)發(fā)展策略已成為各國政府和企業(yè)關(guān)注的焦點(diǎn)。我國陸續(xù)出臺了一系列政策，以加快提升國內(nèi)重點(diǎn)產(chǎn)品的碳足跡管理水平，促進(jìn)相關(guān)行業(yè)的綠色低碳轉(zhuǎn)型，助力實(shí)現(xiàn)碳達(dá)峰和碳中和目標(biāo)。綠色碳足跡作為衡量人類活動對環(huán)境影響的重要指標(biāo)，對于制定有效的碳排放減少策略具有重要意義。精確地預(yù)測綠色碳足跡有助于政策制定者、企業(yè)和個人更好地理解碳排放的來源，從而采取相應(yīng)的減排措施。

2、傳統(tǒng)的碳足跡計算方法一般采用生命周期評估法(life?cycleassessment)計算產(chǎn)品的碳足跡，但是采用lca法計算碳足跡具有以下不足：

3、1.數(shù)據(jù)獲取難度

4、數(shù)據(jù)不全：獲取全面、準(zhǔn)確的碳足跡數(shù)據(jù)較為困難，尤其是涉及復(fù)雜供應(yīng)鏈的數(shù)據(jù)。

5、2.方法復(fù)雜

6、計算復(fù)雜：傳統(tǒng)的生命周期評估(lca)方法計算過程復(fù)雜，需要大量時間和專業(yè)知識。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，有必要提供一種基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測方法及相關(guān)裝置，用以解決傳統(tǒng)的生命周期評估法帶來的不便性，簡化數(shù)據(jù)的采集尺度和提升碳足跡計算的效率。

2、本發(fā)明提供一種基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測方法，包括如下步驟：

3、采集已有的產(chǎn)品碳足跡數(shù)據(jù)，包括產(chǎn)品的各生命周期環(huán)節(jié)的能源消耗數(shù)據(jù)、原材料使用數(shù)據(jù)及各階段的碳排放數(shù)據(jù)；

4、將采集到的數(shù)據(jù)按比例8：1：1分為訓(xùn)練集、測試集和驗(yàn)證集，所述訓(xùn)練集用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型，所述測試集用于對人工神經(jīng)網(wǎng)絡(luò)模型的性能進(jìn)行測試，所述驗(yàn)證集用于驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)的有效性；

5、將訓(xùn)練集數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中輸入數(shù)據(jù)包括產(chǎn)品的各生命周期環(huán)節(jié)的能源消耗數(shù)據(jù)、原材料使用數(shù)據(jù)，期望輸出包括產(chǎn)品生命周期環(huán)節(jié)各階段的碳排放數(shù)據(jù)和總的碳排放數(shù)據(jù)，其中各階段的碳排放量總和為總的碳排放量；

6、引入均方差損失函數(shù)對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行梯度優(yōu)化，得到用于測試的人工神經(jīng)網(wǎng)絡(luò)模型；

7、在測試集上驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)模型的有效性，并在驗(yàn)證集上驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)模型的性能；

8、將經(jīng)過驗(yàn)證的人工神經(jīng)網(wǎng)絡(luò)模型用于其他產(chǎn)品的碳足跡預(yù)測計算中。

9、進(jìn)一步的，所述人工神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，其中，輸入層接受特征向量x，輸出層產(chǎn)出最終的預(yù)測y，而隱含層介于輸入層與輸出層之間；

10、所述人工神經(jīng)網(wǎng)絡(luò)中各層的輸入和輸出變量解釋如下：

11、x＝(x1?x2...xn):輸入向量,wih:輸入層與隱含層的連接權(quán)值；

12、hi＝(hi1?hi2...hip):隱含層輸入向量,woh:隱含層與輸出層的連接權(quán)值；

13、ho＝(ho1?ho2...hop):隱含層輸出向量,bn:隱含層各神經(jīng)元的閾值；

14、yi＝(yi1?hy2...hyq):輸出層輸入向量,bo:輸出層各神經(jīng)元的閾值；

15、yo＝(yo1?yo2...yoq):輸出層輸出向量,k＝1,2…m:樣本數(shù)據(jù)及個數(shù)：

16、do＝(d1?d2...dq):期望輸出向量,f:激活函數(shù)。

17、進(jìn)一步的，所述將訓(xùn)練集數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，具體包括：

18、對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重初始化，給各連接權(quán)值分別賦一個區(qū)間(-1，1)內(nèi)的隨機(jī)數(shù)；

19、將訓(xùn)練集數(shù)據(jù)x(k)和期望輸出do(k)輸入人工神經(jīng)網(wǎng)絡(luò)模型；

20、所述x(k)包括產(chǎn)品的各生命周期環(huán)節(jié)的能源消耗數(shù)據(jù)、原材料使用數(shù)據(jù)；

21、所述do(k)包括產(chǎn)品生命周期環(huán)節(jié)各階段的碳排放數(shù)據(jù)和總的碳排放數(shù)據(jù)，其中各階段的碳排放量總和為總的碳排放量；

22、訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，其中隱藏層和輸出層各神經(jīng)元的輸入和輸出為：

23、

24、進(jìn)一步的，所述引入均方差損失函數(shù)對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行梯度優(yōu)化，具體包括：

25、所選均方差損失函數(shù)為：

26、其中：l(θ)是均方差損失函數(shù)，依賴于模型參數(shù)θ；yi是第i個真實(shí)值，是第i個預(yù)測值，n是樣本數(shù)量；

27、參數(shù)初始化：設(shè)預(yù)測值為初始化θ0和θ1；

28、進(jìn)行前向傳播：對每個樣本計算預(yù)測值

29、計算損失：計算所有樣本均方誤差：

30、

31、計算梯度：

32、

33、更新參數(shù)：

34、

35、其中，α為學(xué)習(xí)率；

36、迭代優(yōu)化：通過重復(fù)上述步驟，直到滿足停止條件。

37、一種基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測裝置，包括：

38、碳足跡數(shù)據(jù)采集模塊，用于采集已有的產(chǎn)品碳足跡數(shù)據(jù)，包括產(chǎn)品的各生命周期環(huán)節(jié)的能源消耗數(shù)據(jù)、原材料使用數(shù)據(jù)及各階段的碳排放數(shù)據(jù)；

39、數(shù)據(jù)集分割模塊，用于將采集到的數(shù)據(jù)按比例8：1：1分為訓(xùn)練集、測試集和驗(yàn)證集，所述訓(xùn)練集用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型，所述測試集用于對人工神經(jīng)網(wǎng)絡(luò)模型的性能進(jìn)行測試，所述驗(yàn)證集用于驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)的有效性；

40、模型訓(xùn)練模塊，用于將訓(xùn)練集數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中輸入數(shù)據(jù)包括產(chǎn)品的各生命周期環(huán)節(jié)的能源消耗數(shù)據(jù)、原材料使用數(shù)據(jù)，期望輸出包括產(chǎn)品生命周期環(huán)節(jié)各階段的碳排放數(shù)據(jù)和總的碳排放數(shù)據(jù)，其中各階段的碳排放量總和為總的碳排放量；

41、模型優(yōu)化模塊，用于引入均方差損失函數(shù)對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行梯度優(yōu)化，得到用于測試的人工神經(jīng)網(wǎng)絡(luò)模型；

42、模型驗(yàn)證模塊，用于在測試集上驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)模型的有效性，并在驗(yàn)證集上驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)模型的性能；

43、碳足跡預(yù)測模塊，用于將經(jīng)過驗(yàn)證的人工神經(jīng)網(wǎng)絡(luò)模型用于其他產(chǎn)品的碳足跡預(yù)測計算中。

44、進(jìn)一步的，所述人工神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，其中，輸入層接受特征向量x，輸出層產(chǎn)出最終的預(yù)測y，而隱含層介于輸入層與輸出層之間；

45、所述人工神經(jīng)網(wǎng)絡(luò)中各層的輸入和輸出變量解釋如下：

46、x＝(x1?x2...xn):輸入向量,wih:輸入層與隱含層的連接權(quán)值；

47、hi＝(hi1?hi2...hip):隱含層輸入向量,woh:隱含層與輸出層的連接權(quán)值；

48、ho＝(ho1?ho2...hop):隱含層輸出向量,bn:隱含層各神經(jīng)元的閾值；

49、yi＝(yi1?hy2...hyq):輸出層輸入向量,bo:輸出層各神經(jīng)元的閾值；

50、yo＝(yo1?yo2...yoq):輸出層輸出向量,k＝1,2…m:樣本數(shù)據(jù)及個數(shù)：

51、do＝(d1?d2...dq):期望輸出向量,f:激活函數(shù)。

52、進(jìn)一步的，所述模型訓(xùn)練模塊，具體用于：

53、對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重初始化，給各連接權(quán)值分別賦一個區(qū)間(-1，1)內(nèi)的隨機(jī)數(shù)；

54、將訓(xùn)練集數(shù)據(jù)x(k)和期望輸出do(k)輸入人工神經(jīng)網(wǎng)絡(luò)模型；

55、所述x(k)包括產(chǎn)品的各生命周期環(huán)節(jié)的能源消耗數(shù)據(jù)、原材料使用數(shù)據(jù)；

56、所述do(k)包括產(chǎn)品生命周期環(huán)節(jié)各階段的碳排放數(shù)據(jù)和總的碳排放數(shù)據(jù)，其中各階段的碳排放量總和為總的碳排放量；

57、訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，其中隱藏層和輸出層各神經(jīng)元的輸入和輸出為：

58、

59、9.進(jìn)一步的，所述模型優(yōu)化模塊，具體用于：

60、所選均方差損失函數(shù)為：

61、其中：l(θ)是均方差損失函數(shù)，依賴于模型參數(shù)θ；yi是第i個真實(shí)值，是第i個預(yù)測值，n是樣本數(shù)量；

62、參數(shù)初始化：設(shè)預(yù)測值為初始化θ0和θ1；

63、進(jìn)行前向傳播：對每個樣本計算預(yù)測值

64、計算損失：計算所有樣本均方誤差：

65、

66、計算梯度：

67、

68、更新參數(shù)：

69、

70、其中，α為學(xué)習(xí)率；

71、迭代優(yōu)化：通過重復(fù)上述步驟，直到滿足停止條件。

72、一種基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測系統(tǒng)，包括：計算機(jī)可讀存儲介質(zhì)和處理器；

73、所述計算機(jī)可讀存儲介質(zhì)用于存儲可執(zhí)行指令；

74、所述處理器用于讀取所述計算機(jī)可讀存儲介質(zhì)中存儲的可執(zhí)行指令，執(zhí)行所述的基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測方法。

75、一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)所述的基于機(jī)器學(xué)習(xí)的綠色碳足跡預(yù)測方法。

76、本發(fā)明具有如下有益效果：

77、1)傳統(tǒng)的基于生命周期評價方法對于獲取全面、準(zhǔn)確的碳足跡數(shù)據(jù)較為困難，尤其是涉及復(fù)雜供應(yīng)鏈的數(shù)據(jù)，本發(fā)明利用機(jī)器學(xué)習(xí)算法對產(chǎn)品碳足跡進(jìn)行預(yù)測，大大簡化了數(shù)據(jù)的采集和復(fù)雜的計算過程；

78、2)本發(fā)明利用機(jī)器學(xué)習(xí)算法對產(chǎn)品碳足跡進(jìn)行預(yù)測，相比傳統(tǒng)計算方法，本方法對產(chǎn)品碳足跡的計算時間和效率都大大提升；

79、3)本發(fā)明可擴(kuò)展應(yīng)用于其他領(lǐng)域產(chǎn)品的碳足跡計算，具有良好的泛化性能。