為判斷中國是否能夠?qū)崿F(xiàn)2030年碳排放強度下降60%～65%的承諾,以及碳排放總量是否能夠在2030年達到峰值,論文構(gòu)建了一個基于鯨魚優(yōu)化算法改進的極限學(xué)習(xí)機模型,對2019—2040年的碳排放量和碳排放強度進行預(yù)測。首先基于STIRPAT模型篩選中國碳排放影響因素,將其作為碳排放預(yù)測模型的輸入因素集,而后運用鯨魚算法優(yōu)化極限學(xué)習(xí)機的參數(shù),克服極限學(xué)習(xí)機易陷入局部最優(yōu)解的缺點,最后運用該組合模型對中國未來的碳排放進行預(yù)測。通過與ELM、BPNN模型的預(yù)測結(jié)果和誤差指標(biāo)進行對比,證實論文提出的碳排放預(yù)測模型的精度更高,能夠更為準(zhǔn)確地反映中國未來的碳排放趨勢。 

【文章來源】：生態(tài)經(jīng)濟. 2020,36(08)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

極限學(xué)習(xí)機結(jié)構(gòu)圖

本文對碳排放進行預(yù)測的流程如圖3所示。為更直觀地評估本文構(gòu)建的碳排放預(yù)測模型的預(yù)測精度,本文選擇均方根(root mean square error,RMSE)、平均絕對誤差百分比MAPE(mean absolute percentage error)、平均絕對誤差(mean absolute error,MAE)及確定系數(shù)R2作為評價預(yù)測模型效果的指標(biāo),這4種誤差指標(biāo)的計算方法如下:

L(t+1)=L*(t)-AD1 (10)式中:t為當(dāng)前迭代次數(shù),L(t)為當(dāng)前座頭鯨的坐標(biāo)向量,L(t+1)表示下一代迭代后的目標(biāo)向量,L*(t)為截至目前得到的坐標(biāo)向量的最優(yōu)解,若下階段尋到更優(yōu)的可行解,需對L*(t)進行更新,A和C是系數(shù),由式(11)、式(12)得出:

【參考文獻】：
期刊論文
[1]基于FCS-SVM的建筑業(yè)碳排放預(yù)測研究[J]. 徐勇戈,宋偉雪.  生態(tài)經(jīng)濟. 2019(11)
[2]基于粗糙集—神經(jīng)網(wǎng)絡(luò)方法的陜西省碳排放預(yù)測研究[J]. 仇國芳,蔡卓珉.  生態(tài)經(jīng)濟. 2019(10)
[3]中國省際差異化能源轉(zhuǎn)型背景下的CO2排放預(yù)測[J]. 柴建,杜孟凡,周曉陽,梁婷.  系統(tǒng)工程理論與實踐. 2019(08)
[4]不同經(jīng)濟發(fā)展路徑下的能源需求與碳排放預(yù)測——基于河北省的分析[J]. 翁智雄,馬忠玉,葛察忠,蔡松鋒,程翠云,杜艷春.  中國環(huán)境科學(xué). 2019(08)
[5]傳統(tǒng)能源價格與我國碳交易價格關(guān)系研究——基于我國七個碳排放權(quán)交易試點省市的面板數(shù)據(jù)[J]. 趙選民,魏雪.  生態(tài)經(jīng)濟. 2019(02)
[6]基于情景分析法的煤電行業(yè)碳排放峰值預(yù)測[J]. 趙亞濤,南新元,賈愛迪.  環(huán)境工程. 2018(12)
[7]基于IBA-KELM的風(fēng)電功率區(qū)間預(yù)測方法[J]. 林濤,蔡睿琪,張麗,楊欣,劉剛,廖文喆.  可再生能源. 2018(07)
[8]基于系統(tǒng)動力學(xué)的建筑碳排放預(yù)測研究[J]. 劉菁,趙靜云.  科技管理研究. 2018(09)
[9]《巴黎協(xié)定》背景下中國碳排放情景預(yù)測——基于BP神經(jīng)網(wǎng)絡(luò)模型[J]. 董聰,董秀成,蔣慶哲,劉貴賢.  生態(tài)經(jīng)濟. 2018(02)
[10]吉林省能源消費碳排放相關(guān)影響因素分析及預(yù)測——基于灰色關(guān)聯(lián)分析和GM（1,1）模型[J]. 王永哲,馬立平.  生態(tài)經(jīng)濟. 2016(11)

博士論文
[1]基于LMDI的我國二氧化碳排放影響因素研究[D]. 徐軍委.中國礦業(yè)大學(xué)（北京） 2013

碩士論文
[1]基于系統(tǒng)動力學(xué)的火電廠碳排放預(yù)測研究[D]. 靳寶玲.華北電力大學(xué) 2019



本文編號：3566099