基于组合预测模型下某区碳排放的预测研究

陈莎莎

（广东一方环保科技有限公司，广东 广州 510000）

0 引言

为完成对区域内碳排放的有效预测，国内外相关研究人员提出了较多的预测模型。在碳排放影响因素解析方面，现阶段常用的模型算法主要有LDMI（对数平均迪式分解法）、Kaya（卡亚不等式）等，为碳排放量的预测奠定了基础。在碳排放预测方面，相关研究人员提出了CSO（鸡群算法）、FLN（快速学习网）等很多模型算法，但单一的模型存在预测精度方面的缺陷，为解决该问题，该文对CSO与FLN两种算法模型进行组合应用，旨在解决区域内碳排放的精准预测难题。

1 碳排放计算方法与影响因素

1.1 碳排放计算方法

碳排放的计算涉及的碳源包括能源消费、秸秆燃烧、工业生产、废水排放、粪便发酵以及甲烷排放等内容，需要核算的碳汇包括城市绿地、耕地林与果园等区域，碳排放结果即为碳源与碳汇的差值，相关技术参数见表1、表2。

表1 各类能源碳排放的相关系数

表2 秸秆燃烧碳排放计算主要参数

1.2 碳排放影响因素

为研究影响区域内碳排放的影响因素，该文通过STIRPAT模型进行评估分析。该模型能够对环境压力、技术、富裕度以及人口之间的联系进行分析，如公式（1）所示。

式中：为常数；为误差；为估算指数。通过两边取对数得到公式（2）。

基于STIPRAT模型对上述公式进行扩展，将产业结构、能源结构、对外开发纳入模型，如公式（3）所示。

式中：即为碳排放量；为能源结构；为产业结构；为对外开放；人口为年末常住人口；技术取决于能源强度；富裕度为人均GDP。

对外开放取决于外商投资比重，能源结构取决于煤炭消费量占比，产业结构取决于第二产业GDP增加比重。相关数据需要从国家统计局网站、统计年鉴、能源平衡表等获取。

2 碳排放组合预测模型创建

2.1 鸡群算法（CSO）

CSO算法具有较高的全局寻优能力，但在小样本碳排放预测精度和方面存在一定问题。在CSO算法模型应用过程中，假设个体在种群中的数量为，食物搜索空间及优化问题维度为维；公鸡数量为，母鸡为，小鸡为，妈妈母鸡为。第次迭代时，用表示第个个体的位置；为个体数量，数值为1～；为维度，数值为1～。适应度值为，在优化过程中，适应度最差的个体划分为小鸡，最好的为公鸡，其余为母鸡。公鸡适应度最优，占据主导地位，位置更新情况如式（3）所示。

式中：表示第个个体第次迭代时的位置；（0，） 即标准差与均值分别为和0的高斯分布随机数；为适应度，与分别表示公鸡和公鸡，均为个体；为常数，用于避免公式分母为0。

母鸡根据子群的公鸡或种群的母鸡、公鸡进行食物寻找工作，随着迭代次数增加，位置受时刻的影响将持续降低，其位置更新情况见式（4）。

式中：为二次非线性递减权重函数；与为影响因子权重，分别与子群公鸡以及种群母鸡或公鸡存在关联；与为个体，分别表示子群公鸡和种群母鸡或公鸡，两者不会为同一个体；即为[0， 1]的随机数；如公式（5）所示。

式中：为迭代的最大次数；设定为0.9，即为惯性权重最大值；反之，数值设定为0.4。小鸡位置跟随妈妈母鸡移动，位置更新情况见式（6）。

式中：为妈妈母鸡，由小鸡跟随；为[0， 2]内的系数；含义参考母鸡位置更新公式。

为提升算法应用效果，须对母鸡与小鸡的位置更新公式进行改进，具体如下。

小鸡可以跟随子群里的公鸡或母鸡寻找食物，而非单独跟随母鸡，如公式（9）所示。

式中：为子群公鸡；为[0， 2]的系数。

2.2 快速学习网算法（FLN）

FLN算法适用于小样本高精度预测工作，但在样本取值过程中难以保证所随机样本的实用性。FLN算法应用过程中，假设样本数量为，样本用{（X，T）}（=1， 2， …，）表述；X=[x，x， …，x]即为样本的维输入向量，属于R；取值范围为～，即为样本输出值，取值范围为R。

在碳排放预测过程中，只需要一个输出层节点。隐含层节点数量设定为1，激励函数为g（x），阈值向量用 [，…，b]表述。输入权重矩阵即为W=[，…，W]，输入与输出层连接权重用α表述，隐含层与输出层连接权重用表述，=[，…，α]且=[，…，β]。则FLN算法模型如下。

式中：为输入；为输出；取值范围为1～。

转化为矩阵如下。

式中：输出权值矩阵、期望输出矩阵与隐含层输出矩阵分别为、T、H。

在（） 可微的情况下，随机分配b与W，能够取得矩阵，FLN模型的训练即为G·=这一线性系统最小二乘解的求解，G=[，]，见式（13）。

式中：即为的广义逆矩阵。具体计算过程为先将阈值与权值随机生成，再求解和，最终将分解为和Т。

2.3 CSO-FLN组合预测模型

FLN模型训练期间存在阈值或权值随机数值为0的情况，为避免出现随机过程过于盲目的情况，选择利用CSO算法迭代的方式选择最优的隐含层阈值和输入权值，以此来强化FLN模型的预测准确性。在CSO算法中将权值与阈值视为个体，均方根误差为适应度值，数值越低则选择的阈值与权值越优，如公式（14）所示。

3 模型应用情况分析

3.1 既有碳排放量计算结果

通过调查数据对某区碳排放情况进行计算，如图1所示。

图1 1995—2019年某区碳排放量及碳排放强度图

3.2 碳排放量影响因素

为掌握序列数据平稳性情况，规避伪回归问题，该文采用EVIEWS软件通过单位根、协整两方式检验各变量，结果表明，各变量二阶差分后均得到平稳的序列，且各变量间的关系稳定均衡。通过SPSS对各影响因素、碳排放量进行多重共线性检验和最小二乘回归分析，结果表明各变量均具有超过10的VIF方差膨胀银子，变量直接的多重共线性问题较为严重，不利于对影响因素进行分析。为此，该文选择利用扩展STIRPAT 模型岭回归计算进行分析。计算结果见表3，结果表明，碳排放量与、、三种影响因素呈负相关，与、、三种影响因素呈正相关；产业结构对碳排放起到较强的促进作用，、、的影响程度则无明显差异。

表3 扩展STIRPAT模型岭回归结果

3.3 CSO-FLN组合预测模型结果准确度

采取归一化处理的方式解决各类原始数据存在较大量级差别的情况，如公式（14）所示。

在训练过程中，假定CSO模型个体数量为100，迭代次数最大值为500，每10次迭代更新一次关系，rpercent=0.5，hpercent=0.65，mpercent=0.5。影响因素数量即输入层神经元为6，输出为碳排放量，隐含层4个神经元。激励函数（）=1/（1+-），从所调查的1995—2014年数据中选择20个样本作为训练样本，预测样本选取2015—2019年中的5个样本，以此来检验组合模型的预测结果准确度。通过训练发现，组合模型的适宜度数值在迭代次数持续增加的过程中不断降低，达到最大迭代次数后，适应度数值达到1.3466这一最优值，结果表明鸡群算法能够有效解决FLN算法在阈值与权值随机过程中存在的局部最优或过早收敛问题。

以某区2015—2019年的碳排放量已知数值作为参考，对比CSO-FLN组合预测模型与FLN模型之间的精度，具体需要从、与3种误差指标入手，各误差指标如公式（15）所示。

在设定相同参数、样本数值、输入变量的情况下，分别利用2种算法进行50次的数据运算，取平均值作为预测结果，2种模型的误差指标结果见表4。

表4 各模型误差指标计算结果

结果表明，组合预测模型相对FLN模型具有更高的预测精度，相对实际值之间的误差更小，即CSO算法有效改善了FLN算法的预测精度，利用组合预测模型能够更好地解决碳排放预测精度难题。

4 结论

研究结果表明，自1998年来，研究区域内的碳排放量处于上升趋势，但排放强度逐年降低，碳减排工作依然面临严峻挑战。通过扩展STIRPAT模型对碳排放量的影响因素进行研究，结果表明，碳排放量能够随产业结构、富裕度以及人工规模的提升而增加，随着能源结构、技术水平以及对外开放程度的提升而降低；CSO-FLN组合预测模型在精度方面比单一的FLN等模型更具优势，能够有效解决区域内小样本碳排放预测难题，对研究碳排放发展趋势具有参考意义。