基于組合預測模型下某區碳排放的預測研究

陳莎莎

（廣東一方環保科技有限公司，廣東 廣州 510000）

0 引言

為完成對區域內碳排放的有效預測，國內外相關研究人員提出了較多的預測模型。在碳排放影響因素解析方面，現階段常用的模型算法主要有LDMI（對數平均迪式分解法）、Kaya（卡亞不等式）等，為碳排放量的預測奠定了基礎。在碳排放預測方面，相關研究人員提出了CSO（雞群算法）、FLN（快速學習網）等很多模型算法，但單一的模型存在預測精度方面的缺陷，為解決該問題，該文對CSO與FLN兩種算法模型進行組合應用，旨在解決區域內碳排放的精準預測難題。

1 碳排放計算方法與影響因素

1.1 碳排放計算方法

碳排放的計算涉及的碳源包括能源消費、秸稈燃燒、工業生產、廢水排放、糞便發酵以及甲烷排放等內容，需要核算的碳匯包括城市綠地、耕地林與果園等區域，碳排放結果即為碳源與碳匯的差值，相關技術參數見表1、表2。

表1 各類能源碳排放的相關系數

表2 秸稈燃燒碳排放計算主要參數

1.2 碳排放影響因素

為研究影響區域內碳排放的影響因素，該文通過STIRPAT模型進行評估分析。該模型能夠對環境壓力、技術、富裕度以及人口之間的聯系進行分析，如公式（1）所示。

式中：為常數；為誤差；為估算指數。通過兩邊取對數得到公式（2）。

基于STIPRAT模型對上述公式進行擴展，將產業結構、能源結構、對外開發納入模型，如公式（3）所示。

式中：即為碳排放量；為能源結構；為產業結構；為對外開放；人口為年末常住人口；技術取決于能源強度；富裕度為人均GDP。

對外開放取決于外商投資比重，能源結構取決于煤炭消費量占比，產業結構取決于第二產業GDP增加比重。相關數據需要從國家統計局網站、統計年鑒、能源平衡表等獲取。

2 碳排放組合預測模型創建

2.1 雞群算法（CSO）

CSO算法具有較高的全局尋優能力，但在小樣本碳排放預測精度和方面存在一定問題。在CSO算法模型應用過程中，假設個體在種群中的數量為，食物搜索空間及優化問題維度為維；公雞數量為，母雞為，小雞為，媽媽母雞為。第次迭代時，用表示第個個體的位置；為個體數量，數值為1～；為維度，數值為1～。適應度值為，在優化過程中，適應度最差的個體劃分為小雞，最好的為公雞，其余為母雞。公雞適應度最優，占據主導地位，位置更新情況如式（3）所示。

式中：表示第個個體第次迭代時的位置；（0，） 即標準差與均值分別為和0的高斯分布隨機數；為適應度，與分別表示公雞和公雞，均為個體；為常數，用于避免公式分母為0。

母雞根據子群的公雞或種群的母雞、公雞進行食物尋找工作，隨著迭代次數增加，位置受時刻的影響將持續降低，其位置更新情況見式（4）。

式中：為二次非線性遞減權重函數；與為影響因子權重，分別與子群公雞以及種群母雞或公雞存在關聯；與為個體，分別表示子群公雞和種群母雞或公雞，兩者不會為同一個體；即為[0， 1]的隨機數；如公式（5）所示。

式中：為迭代的最大次數；設定為0.9，即為慣性權重最大值；反之，數值設定為0.4。小雞位置跟隨媽媽母雞移動，位置更新情況見式（6）。

式中：為媽媽母雞，由小雞跟隨；為[0， 2]內的系數；含義參考母雞位置更新公式。

為提升算法應用效果，須對母雞與小雞的位置更新公式進行改進，具體如下。

小雞可以跟隨子群里的公雞或母雞尋找食物，而非單獨跟隨母雞，如公式（9）所示。

式中：為子群公雞；為[0， 2]的系數。

2.2 快速學習網算法（FLN）

FLN算法適用于小樣本高精度預測工作，但在樣本取值過程中難以保證所隨機樣本的實用性。FLN算法應用過程中，假設樣本數量為，樣本用{（X，T）}（=1， 2， …，）表述；X=[x，x， …，x]即為樣本的維輸入向量，屬于R；取值范圍為～，即為樣本輸出值，取值范圍為R。

在碳排放預測過程中，只需要一個輸出層節點。隱含層節點數量設定為1，激勵函數為g（x），閾值向量用 [，…，b]表述。輸入權重矩陣即為W=[，…，W]，輸入與輸出層連接權重用α表述，隱含層與輸出層連接權重用表述，=[，…，α]且=[，…，β]。則FLN算法模型如下。

式中：為輸入；為輸出；取值范圍為1～。

轉化為矩陣如下。

式中：輸出權值矩陣、期望輸出矩陣與隱含層輸出矩陣分別為、T、H。

在（） 可微的情況下，隨機分配b與W，能夠取得矩陣，FLN模型的訓練即為G·=這一線性系統最小二乘解的求解，G=[，]，見式（13）。

式中：即為的廣義逆矩陣。具體計算過程為先將閾值與權值隨機生成，再求解和，最終將分解為和Т。

2.3 CSO-FLN組合預測模型

FLN模型訓練期間存在閾值或權值隨機數值為0的情況，為避免出現隨機過程過于盲目的情況，選擇利用CSO算法迭代的方式選擇最優的隱含層閾值和輸入權值，以此來強化FLN模型的預測準確性。在CSO算法中將權值與閾值視為個體，均方根誤差為適應度值，數值越低則選擇的閾值與權值越優，如公式（14）所示。

3 模型應用情況分析

3.1 既有碳排放量計算結果

通過調查數據對某區碳排放情況進行計算，如圖1所示。

圖1 1995—2019年某區碳排放量及碳排放強度圖

3.2 碳排放量影響因素

為掌握序列數據平穩性情況，規避偽回歸問題，該文采用EVIEWS軟件通過單位根、協整兩方式檢驗各變量，結果表明，各變量二階差分后均得到平穩的序列，且各變量間的關系穩定均衡。通過SPSS對各影響因素、碳排放量進行多重共線性檢驗和最小二乘回歸分析，結果表明各變量均具有超過10的VIF方差膨脹銀子，變量直接的多重共線性問題較為嚴重，不利于對影響因素進行分析。為此，該文選擇利用擴展STIRPAT 模型嶺回歸計算進行分析。計算結果見表3，結果表明，碳排放量與、、三種影響因素呈負相關，與、、三種影響因素呈正相關；產業結構對碳排放起到較強的促進作用，、、的影響程度則無明顯差異。

表3 擴展STIRPAT模型嶺回歸結果

3.3 CSO-FLN組合預測模型結果準確度

采取歸一化處理的方式解決各類原始數據存在較大量級差別的情況，如公式（14）所示。

在訓練過程中，假定CSO模型個體數量為100，迭代次數最大值為500，每10次迭代更新一次關系，rpercent=0.5，hpercent=0.65，mpercent=0.5。影響因素數量即輸入層神經元為6，輸出為碳排放量，隱含層4個神經元。激勵函數（）=1/（1+-），從所調查的1995—2014年數據中選擇20個樣本作為訓練樣本，預測樣本選取2015—2019年中的5個樣本，以此來檢驗組合模型的預測結果準確度。通過訓練發現，組合模型的適宜度數值在迭代次數持續增加的過程中不斷降低，達到最大迭代次數后，適應度數值達到1.3466這一最優值，結果表明雞群算法能夠有效解決FLN算法在閾值與權值隨機過程中存在的局部最優或過早收斂問題。

以某區2015—2019年的碳排放量已知數值作為參考，對比CSO-FLN組合預測模型與FLN模型之間的精度，具體需要從、與3種誤差指標入手，各誤差指標如公式（15）所示。

在設定相同參數、樣本數值、輸入變量的情況下，分別利用2種算法進行50次的數據運算，取平均值作為預測結果，2種模型的誤差指標結果見表4。

表4 各模型誤差指標計算結果

結果表明，組合預測模型相對FLN模型具有更高的預測精度，相對實際值之間的誤差更小，即CSO算法有效改善了FLN算法的預測精度，利用組合預測模型能夠更好地解決碳排放預測精度難題。

4 結論

研究結果表明，自1998年來，研究區域內的碳排放量處于上升趨勢，但排放強度逐年降低，碳減排工作依然面臨嚴峻挑戰。通過擴展STIRPAT模型對碳排放量的影響因素進行研究，結果表明，碳排放量能夠隨產業結構、富裕度以及人工規模的提升而增加，隨著能源結構、技術水平以及對外開放程度的提升而降低；CSO-FLN組合預測模型在精度方面比單一的FLN等模型更具優勢，能夠有效解決區域內小樣本碳排放預測難題，對研究碳排放發展趨勢具有參考意義。