本發(fā)明涉及交通運(yùn)輸業(yè)碳排放預(yù)測領(lǐng)域，尤其涉及一種交通運(yùn)輸業(yè)碳排放預(yù)測方法及其系統(tǒng)。

背景技術(shù)：

1、交通運(yùn)輸業(yè)作為能源消耗和碳排放的主要來源之一，其碳排放量占全球總排放量的比例不容忽視。由于交通運(yùn)輸業(yè)的獨(dú)特性質(zhì)，包括高度的地域差異性、運(yùn)輸方式的多樣性以及碳排放數(shù)據(jù)的動(dòng)態(tài)變化性，共同構(gòu)成了預(yù)測過程中的一道道難題。傳統(tǒng)模型，盡管在各自領(lǐng)域內(nèi)展現(xiàn)出了一定程度的預(yù)測能力，但往往難以全面捕捉這些復(fù)雜因素交織下的碳排放全貌。

2、具體而言，不同省份的經(jīng)濟(jì)結(jié)構(gòu)、交通基礎(chǔ)設(shè)施、能源消費(fèi)模式以及政策導(dǎo)向各不相同，這些因素直接影響了碳排放的強(qiáng)度和分布。同時(shí)，公路、鐵路、航空和水運(yùn)等多種運(yùn)輸方式并存，每種方式在碳排放特性、運(yùn)營效率以及發(fā)展趨勢上均有所差異，進(jìn)一步增加了預(yù)測的難度。此外，隨著時(shí)間的推移，技術(shù)進(jìn)步、能源結(jié)構(gòu)調(diào)整、交通需求變化等因素不斷作用于交通運(yùn)輸系統(tǒng)，使得碳排放數(shù)據(jù)呈現(xiàn)出高度的時(shí)變性。

3、面對(duì)這些挑戰(zhàn)，傳統(tǒng)的預(yù)測模型往往顯得捉襟見肘。它們可能在某些特定條件下表現(xiàn)出色，但在面對(duì)交通運(yùn)輸業(yè)這種多維度、多變量的復(fù)雜場景時(shí)，往往難以保持穩(wěn)定的預(yù)測精度和廣泛的適用性。因此，我們迫切需要引入更為先進(jìn)、更為靈活的預(yù)測模型和方法，以應(yīng)對(duì)這些挑戰(zhàn)。

4、因此，針對(duì)省級(jí)交通運(yùn)輸業(yè)的碳排放問題，就需要一種能夠預(yù)測碳排放量、對(duì)當(dāng)前碳排放量進(jìn)行分析、能夠適用于復(fù)雜多樣的碳排放場景、自適應(yīng)調(diào)整超參數(shù)、預(yù)測精度和泛化能力高的交通運(yùn)輸業(yè)碳排放預(yù)測方法及其系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明是為了解決現(xiàn)有的模型不能應(yīng)對(duì)多維度、多變量的復(fù)雜場景、現(xiàn)有模型的預(yù)測精度低、適用范圍窄、泛化能力差的缺陷，提供了一種能夠預(yù)測碳排放量、對(duì)當(dāng)前碳排放量進(jìn)行分析、能夠適用于復(fù)雜多樣的碳排放場景、自適應(yīng)調(diào)整超參數(shù)、預(yù)測精度和泛化能力高的交通運(yùn)輸業(yè)碳排放預(yù)測方法及其系統(tǒng)。

2、本發(fā)明所述的一種交通運(yùn)輸業(yè)碳排放預(yù)測方法，包括如下步驟：

3、s1、分析影響因素，基于stirpat模型分析影響因素；

4、s2、通過逐步回歸分析法篩選影響因素，并將符合篩選條件的影響因素作為變量；

5、s3、結(jié)合自上而下法來對(duì)省級(jí)交通運(yùn)輸業(yè)能源消耗產(chǎn)生的碳排放總量進(jìn)行測算；

6、s4、基于cnn-bilstm-attention模型構(gòu)建預(yù)測模型，通過歷史碳排放量數(shù)據(jù)對(duì)所述預(yù)測模型進(jìn)行優(yōu)化，利用pso算法自動(dòng)調(diào)整模型的超參數(shù)；

7、s5、對(duì)預(yù)設(shè)年度的碳排放數(shù)據(jù)進(jìn)行預(yù)測。

8、進(jìn)一步地：在s1中，所述stirpat模型的公式為：

9、；

10、其中，i表示碳排放量，p表示人口數(shù)量，a表示富裕程度，t表示技術(shù)水平，k為模型系數(shù)，a、b和c均是待估計(jì)參數(shù)，e是誤差項(xiàng)。

11、進(jìn)一步地：所述影響因素包括人均gdp、年末人口數(shù)、汽油能源消費(fèi)比例、天然氣能源消費(fèi)比例、城鎮(zhèn)化率、旅客周轉(zhuǎn)量、貨物周轉(zhuǎn)量、機(jī)動(dòng)車保有量和/或新能源汽車保有量。

12、進(jìn)一步地：在s2中，所述逐步回歸分析法通過在每一步中增加或刪除自變量來構(gòu)建最佳模型，基于統(tǒng)計(jì)顯著性來選擇或排除變量，實(shí)現(xiàn)從stirpat模型的所有影響因素中篩選出對(duì)碳排放貢獻(xiàn)最大的影響因素。

13、進(jìn)一步地：所述基于cnn-bilstm-attention模型構(gòu)建預(yù)測模型的具體步驟包括：

14、s41、對(duì)歷年碳排放量的數(shù)據(jù)進(jìn)行收集和預(yù)處理；

15、s42、利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入的時(shí)間序列數(shù)據(jù)進(jìn)行特征提取；

16、s43、將預(yù)處理后的數(shù)據(jù)劃分為訓(xùn)練集和測試集；

17、s44、選擇評(píng)估指標(biāo)來評(píng)估模型的預(yù)測性能，在驗(yàn)證集和測試集上評(píng)估預(yù)測模型的性能；

18、s45、利用訓(xùn)練好的cnn-bilstm-attention模型對(duì)碳排放量進(jìn)行預(yù)測。

19、進(jìn)一步地：在s44中，所述評(píng)估指標(biāo)包括均方誤差mse、均方根誤差rmse和/或平均絕對(duì)誤差mae。

20、進(jìn)一步地：在s5中，所述cnn-bilstm-attention模型的具體預(yù)測步驟如下：

21、s51、對(duì)原始數(shù)據(jù)進(jìn)行歸一化消除量綱，然后利用時(shí)間滑動(dòng)窗口函數(shù)將時(shí)間序列數(shù)據(jù)處理為用于監(jiān)督學(xué)習(xí)的數(shù)據(jù)類型；

22、s52、將經(jīng)過預(yù)處理的時(shí)間序列數(shù)據(jù)輸入到cnn網(wǎng)絡(luò)之中，從所述cnn網(wǎng)絡(luò)的輸出數(shù)據(jù)中捕獲碳排放數(shù)據(jù)特征；

23、s53、再將所述輸出數(shù)據(jù)輸入到bilstm網(wǎng)絡(luò)，從所述bilstm網(wǎng)絡(luò)的輸出數(shù)據(jù)中捕獲變量之間在時(shí)間維度上的依賴信息；

24、s54、將所述bilstm網(wǎng)絡(luò)中每個(gè)bilstm層的所有隱藏狀態(tài)作為輸入，通過注意力層進(jìn)行學(xué)習(xí)，然后通過激活函數(shù)為softmax的全連接層計(jì)算每個(gè)特征的權(quán)重并由multiply層實(shí)現(xiàn)權(quán)重的分配；

25、s55、通過pso算法來自動(dòng)調(diào)整模型的超參數(shù)；

26、s56、根據(jù)歷史的碳排放量數(shù)據(jù)和預(yù)設(shè)的影響因素指標(biāo)，利用所述cnn-bilstm-attention模型對(duì)預(yù)設(shè)年度的碳排放進(jìn)行預(yù)測，得到預(yù)測結(jié)果。

27、進(jìn)一步地：在s45中，所述通過pso算法來自動(dòng)調(diào)整模型的超參數(shù)的具體步驟如下：

28、在pso算法優(yōu)化過程中，每個(gè)粒子代表一組超參數(shù)配置，所述pso算法通過迭代更新粒子的位置和速度來搜索最優(yōu)的超參數(shù)組合；在每次迭代中，粒子根據(jù)自身的歷史最佳位置和全局最佳位置來更新其位置和速度；

29、當(dāng)pso算法收斂或達(dá)到預(yù)定的迭代次數(shù)時(shí)，選取具有最高適應(yīng)度的粒子作為最優(yōu)解，并將其對(duì)應(yīng)的超參數(shù)配置應(yīng)用于最終的cnn-bilstm-attention模型訓(xùn)練中；

30、通過pso算法優(yōu)化后的cnn-bilstm-attention模型在訓(xùn)練集上進(jìn)行訓(xùn)練，并在驗(yàn)證集上進(jìn)行驗(yàn)證，以確保所述cnn-bilstm-attention模型的泛化能力和預(yù)測性能得到優(yōu)化；

31、最后使用測試集來評(píng)估優(yōu)化后模型的預(yù)測性能。

32、本發(fā)明所述的一種交通運(yùn)輸業(yè)碳排放預(yù)測系統(tǒng)，包括stirpat模型、篩選模塊、cnn-bilstm-attention模型、超參數(shù)優(yōu)化模塊和預(yù)測模型，

33、所述stirpat模型用于對(duì)影響因素進(jìn)行分析；

34、所述篩選模塊用于通過逐步回歸分析法對(duì)影響因素篩選，

35、所述cnn-bilstm-attention模型用于將符合篩選條件的影響因素作為變量構(gòu)建預(yù)測模型，并通過歷年全國各省級(jí)交通運(yùn)輸碳排放量數(shù)據(jù)對(duì)所述預(yù)測模型進(jìn)行優(yōu)化；

36、所述超參數(shù)優(yōu)化模塊用于利用pso算法自動(dòng)調(diào)整模型的超參數(shù)；

37、所述預(yù)測模型用于對(duì)預(yù)設(shè)年度的碳排放數(shù)據(jù)進(jìn)行預(yù)測。

38、進(jìn)一步地：所述影響因素的分析維度包括人口情況、經(jīng)濟(jì)發(fā)展、技術(shù)進(jìn)步和能源消耗。

39、本發(fā)明的有益效果是：

40、本發(fā)明采用stirpat模型與cnn-bilstm-attention深度學(xué)習(xí)模型的結(jié)合，通過對(duì)省級(jí)交通運(yùn)輸業(yè)碳排放進(jìn)行預(yù)測，不僅有助于了解當(dāng)前碳排放的現(xiàn)狀，還能為制定有效的減排政策提供科學(xué)依據(jù)，推動(dòng)交通運(yùn)輸業(yè)的可持續(xù)發(fā)展。

41、stirpat模型為我們提供了宏觀分析的框架，幫助我們理解人口、經(jīng)濟(jì)、技術(shù)等關(guān)鍵因素對(duì)碳排放的影響；而cnn-bilstm-attention深度學(xué)習(xí)模型則以其強(qiáng)大的數(shù)據(jù)處理和特征提取能力，有效應(yīng)對(duì)了交通運(yùn)輸業(yè)碳排放數(shù)據(jù)的復(fù)雜性和多樣性。這種創(chuàng)新方法的引入，不僅是對(duì)傳統(tǒng)預(yù)測模型的有益補(bǔ)充，更是對(duì)碳排放預(yù)測領(lǐng)域的一次深刻變革。通過不斷優(yōu)化模型參數(shù)、加強(qiáng)數(shù)據(jù)融合與特征提取，能夠?qū)崿F(xiàn)更加準(zhǔn)確、更加全面的省級(jí)交通運(yùn)輸碳排放預(yù)測，為政策制定和行業(yè)發(fā)展提供有力支持。

42、首先，本發(fā)明通過對(duì)省級(jí)交通運(yùn)輸業(yè)的碳排放進(jìn)行預(yù)測，能夠深入了解當(dāng)前交通運(yùn)輸業(yè)碳排放的現(xiàn)狀和未來的發(fā)展趨勢。通過精確的數(shù)據(jù)和模型分析，能夠清晰地把握不同區(qū)域、不同運(yùn)輸方式以及不同時(shí)間段內(nèi)碳排放的具體情況，為政策制定者提供詳盡而準(zhǔn)確的決策參考；

43、其次，本發(fā)明結(jié)合stirpat模型和cnn-bilstm-attention深度學(xué)習(xí)模型的同時(shí)，引入pso算法（粒子群優(yōu)化算法）進(jìn)行超參數(shù)調(diào)優(yōu)，這一組合展現(xiàn)了前所未有的創(chuàng)新性和顯著優(yōu)勢；

44、第三，stirpat模型以其宏觀分析能力，為碳排放預(yù)測奠定了堅(jiān)實(shí)的理論基礎(chǔ)，精準(zhǔn)捕捉人口、經(jīng)濟(jì)、技術(shù)等宏觀因素對(duì)碳排放的深層次影響。而cnn-bilstm-attention深度學(xué)習(xí)模型，則憑借其卓越的數(shù)據(jù)處理能力，從時(shí)間序列數(shù)據(jù)中自動(dòng)提取復(fù)雜的動(dòng)態(tài)特征和空間模式，有效應(yīng)對(duì)了交通運(yùn)輸業(yè)碳排放數(shù)據(jù)的高維性、非線性及不確定性；

45、最后，由于深度學(xué)習(xí)模型的性能高度依賴于其超參數(shù)的設(shè)置，我們創(chuàng)新性地引入了pso算法來自動(dòng)調(diào)整這些超參數(shù)，如學(xué)習(xí)率、隱藏層節(jié)點(diǎn)數(shù)、正則化系數(shù)等。pso算法通過模擬鳥群覓食的群體智能行為，在解空間中搜索最優(yōu)的超參數(shù)組合，從而實(shí)現(xiàn)了模型性能的進(jìn)一步優(yōu)化。這一過程不僅減少了人工調(diào)參的工作量，還顯著提高了模型的預(yù)測精度和泛化能力。

46、綜上所述，結(jié)合stirpat模型、cnn-bilstm-attention深度學(xué)習(xí)模型以及pso算法的省級(jí)交通運(yùn)輸業(yè)碳排放預(yù)測方法，不僅在理論層面實(shí)現(xiàn)了宏觀與微觀分析的有機(jī)結(jié)合，還在技術(shù)層面通過超參數(shù)優(yōu)化提升了模型的預(yù)測性能。這一創(chuàng)新組合為應(yīng)對(duì)復(fù)雜多變的交通運(yùn)輸業(yè)碳排放預(yù)測挑戰(zhàn)提供了強(qiáng)有力的技術(shù)支持，具有廣闊的應(yīng)用前景和推廣價(jià)值。