申请/专利权人：华北理工大学

申请日：2024-03-22

公开（公告）日：2024-06-18

公开（公告）号：CN117933497B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及碳排放预测技术领域，公开了一种基于TSA‑ARIMA‑CNN的企业碳排放预测方法，包括：获取企业生产的历史碳排放时间序列数据，并对历史碳排放时间序列数据进行归一化处理。获取ARIMA模型的最优参数，并根据最优参数建立ARIMA模型。将RMSE和R2作为评价指标，并获取CNN模型的最优参数，建立CNN模型。将归一化处理后的历史碳排放时间序列数据代入ARIMA模型以及CNN模型进行预测，并获取ARIMA模型的碳排放预测序列以及CNN模型的碳排放预测序列。并基于特征选择算法进行选择或加权，并获取选择或加权后的预测结果，并将反归一化处理的预测结果设定为碳排放预测输出结果。本发明通过结合了传统时间序列分析和深度学习方法，提高了企业碳排放预测的准确性。

主权项：1.一种基于TSA-ARIMA-CNN的企业碳排放预测方法，其特征在于，包括：获取所述企业生产的历史碳排放时间序列数据，并对所述历史碳排放时间序列数据进行归一化处理；获取ARIMA模型的最优参数，并根据所述最优参数建立ARIMA模型；将RMSE和作为评价指标，并获取CNN模型的最优参数，建立CNN模型，其中，R2指标则反映了模型对数据方差的解释能力，RMSE为均方根误差；将归一化处理后的所述历史碳排放时间序列数据代入所述ARIMA模型以及所述CNN模型进行预测，并获取所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列；基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果；将所述预测结果进行反归一化处理，并将反归一化处理的所述预测结果设定为碳排放预测输出结果；基于特征选择算法将所述ARIMA模型的碳排放预测序列以及所述CNN模型的碳排放预测序列进行选择或加权，并获取选择或加权后的预测结果时，包括：获取所述ARIMA模型的碳排放预测值与碳排放实际值之间的残差的绝对值；获取所述CNN模型的碳排放预测值与碳排放实际值之间的残差的绝对值；设置大小为T的窗口，并在所述窗口内计算所述ARIMA模型的残差的绝对值的总和以及所述CNN模型的残差的绝对值的总和；将所述ARIMA模型的残差的绝对值的总和与所述CNN模型的残差的绝对值的总和之间大小关系，确定待定预测序列；分别获取同一窗口内不同时间点的ARIMA模型预测值的残差的绝对值的A值数量以及CNN模型预测值的残差的绝对值的A值数量，并获得ARIMA模型和CNN模型预测序列的权重，以此确定待定预测序列；设定RMSE，并获取区间0~1之间网格化搜索ARIMA模型和CNN模型预测序列的权重，并根据所述ARIMA模型和CNN模型预测序列的权重作为阈值，以此确定待定预测序列；其中，所述设定RMSE的公式为： ；其中，n为样本量，为真实值，为预测值；根据待定预测序列、和在测试集的RMSE的大小关系进行比对，并根据比对结果选定所述预测结果。

全文数据：

权利要求：

百度查询： 华北理工大学 一种基于TSA-ARIMA-CNN的企业碳排放预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD