一种基于神经网络模型预测县级城市CO2排放量的方法与流程

本发明具体是指一种基于神经网络模型预测县级城市co2排放量的方法。

背景技术：

1、县级城市年能源消费co2排放量的准确预测可以反映市级城市年能源消费co2排放量的变化趋势，目前，城市co2排放量的预测模型包括bp神经网络模型、leap模型、nems模型、lstm模型、pca-svr模型、cge模型、markal模型和stirpat模型(杨帆，2017；刘炳春等，2018；王春春，2019；赵慧卿和郭晨阳，2019；赵雄飞等，2021；chen et al.，2021；赵慈等，2022)。在数据完整、充足的情景下，这些预测模型可以很好地预测城市、地区co2排放量情况。然而县级城市存在数据较少，关键信息缺失的问题，难以及时有效地表征县级城市co2排放量。因此，借助神经网络模型先建立市级城市co2排放量预测模型，在此基础上，预测其下辖县级城市co2排放量，很好地解决了数据缺损和测试成本高昂的问题，能够全面地反映市级城市下辖县级城市co2排放量分布情况。

2、co2浓度的升高引发了气候变暖、海平面上升、降水和植被分布的差异等一系列重大的环境问题。城市作为人口、工业、交通、建筑等集聚的区域，虽然只占全球陆地面积的2.4％，但产生了全球超过80％的co2排放量(churkina，2008；velasco，2010；wangetal.，2019)。城市的高经济活动强度、高人口密度和高能源利用强度，已成为全球co2排放的热点地区和绝对主体(montgomery，2008；satterthwaite et al.，2009；cai et al.，2017)。寻求经济发展与环境保护之间的平衡，是每个国家希望达到的目标。然而，随着能源消耗产业的发展，碳排放量持续增长，环境污染已经成为迫在眉睫的严峻事实。其中，产业结构是co2排放的抑制因素，经济发展和人口规模是城市co2排放增长的促进因素(曹丽斌等，2017；郑颖等，2020)。其中，城市作为中国是行政区划的一级，体现的是区域概念，使得中国城市co2排放研究由于空间边界问题失去了城市特色，同时难以与国际城市排放水平进行横向比较(蔡博峰和王金南，2015；蒋含颖等，2021)。

技术实现思路

1、针对上述背景技术存在的现实问题，为了避免县级城市在能源消费总量等数据缺失后，不能有效表征市级城市下辖县级城市co2排放量情况，本发明选取了市级城市及其下辖县级城市的城镇化率、城市国内生产总值、人均gdp、人口数量、第二产业占比和第三产业占比参数，利用神经网络模型，预测了县级城市年能源消费co2排放量，提出了一种基于神经网络模型预测县级城市co2排放量的方法。

2、一种基于神经网络模型预测县级城市co2排放量的方法，包括以下步骤：

3、步骤1：收集20年以上市级能源消费资料和城市统计年鉴；

4、步骤2：提取用于建立市级城市及预测其下辖县级城市co2排放量的城镇化率、人口数量、人均gdp、第二产业占比、城市国内生产总值、第三产业占比和市级城市年化石能源消费量数据；

5、步骤3：通过公式计算市级城市年能源消费co2排放量；

6、步骤4：统一换算相应参数的单位，城镇化率/％、人口数量/万人、人均gdp/元、城市国内生产总值(gdp)/万元、第二产业占比/％、第三产业占比/％和市级城市年化石能源消费量/吨的数据，市级城市年能源消费co2排放量/吨；

7、步骤5：对人口数量、人均gdp、城市国内生产总值(gdp)分别取对数运算；

8、步骤6：将各参数归一化处理；

9、步骤7：通过spss软件借助神经网络模型筛选出预测县级城市co2排放量的主要参数；

10、步骤8：再利用神经网络模型预测县级城市年能源消费co2排放量。

11、步骤9：根据预测值与实际值之间的相对误差检验预测模型的可信度。

12、进一步地，所述步骤1，至少收集20年以上能源消费资料和市级城市统计年鉴。

13、进一步地，所述步骤2，对提取的参数数据尽量完整，不要缺失。

14、进一步地，所述步骤3，市级城市年能源消费co2排放量计算公式如下：

15、

16、上式中：为区域能源消费释放的co2排放量/万t；ni为第i类化石能源消费对应的标准煤量/万t；δi为第i类化石能源的碳排放系数；其中，石油、煤炭和天然气的碳排放系数分别取0.5852、0.7476和0.4435。

17、进一步地，所述步骤4，统一换算相应参数的单位，人口数量/万人、城镇化率/％、人均gdp/元、区域国内生产总值/万元、第二产业占比/％、第三产业占比/％、市级城市化石能源消费量/吨、市级城市年能源消费co2排放量/吨。

18、进一步地，所述步骤5，对人口数量、人均gdp、城市国内生产总值(gdp)分别取对数运算，其公式如下：

19、n’＝ln(n)

20、上式中：n’为取对数后的参数数据；n为原始参数数据。

21、进一步地，所述步骤6，将各参数归一化处理，其公式如下：

22、

23、上式中：u为归一化处理后的参数数据；v为原始参数数据；vmax、vmin分别为原始参数数据中的最大值和最小值。

24、进一步地，所述步骤7，通过spss软件借助神经网络模型筛选出预测县级城市co2排放量的主要参数。

25、进一步地，所述步骤8，再利用神经网络模型预测县级城市年能源消费co2排放量。

26、进一步地，所述步骤9，根据预测值与实际值之间的相对误差检验预测模型的可信度。当预测值与实际值之间的相对误差处于-25％～25％时，且相对误差平均值处于-5％～5％时，该预测模型有效。

27、本发明与现有技术相比的优点在于：本发明采用的参数和分析方法更准确，避免了县级城市能源消费总量缺失后，不能有效表征县级城市年能源消费co2排放量，该模型克服了数据信息相对较少，甚至数据缺失的情况下，可以快速的判识县级城市co2排放量。

技术特征：

1.一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于，所述步骤1，至少收集20年以上能源消费资料和市级城市统计年鉴。

3.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤2，对提取的参数数据尽量完整，不要缺失。

4.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤3，市级城市年能源消费co2排放量公式如下：

5.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤4，统一换算相应参数的单位，城镇化率/％、人口数量/万人、人均gdp/元、城市国内生产总值/万元、第二产业占比/％、第三产业占比/％、市级城市年化石能源消费量/吨、市级城市年能源消费co2排放量/吨。

6.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤5，对人口数量、人均gdp、城市国内生产总值(gdp)分别取对数运算，其公式如下：

7.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤6，将各参数归一化处理，其公式如下：

8.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤7，通过spss软件借助神经网络模型筛选出预测县级城市co2排放量的主要参数。

9.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤8，再利用神经网络模型预测县级城市年能源消费co2排放量。

10.根据权利要求1所述的一种基于神经网络模型预测县级城市co2排放量的方法，其特征在于：所述步骤9，根据预测值与实际值之间的相对误差检验预测模型的可信度；当预测值与实际值之间的相对误差处于-25％～25％时，且相对误差平均值处于-5％～5％时，该预测模型有效。

技术总结
本发明公开一种基于神经网络模型预测县级城市CO2排放量的方法，包括先收集至少过去20年能源消费资料和城市统计年鉴，提取可以用于预测CO2排放量的人均GDP、人口数量、城镇化率、城市国内生产总值、第三产业占比、第二产业占比和化石能源消费量数据，通过公式计算市级城市年能源消费CO2排放量，统一换算相应参数的单位、对人均GDP、人口数量和城市国内生产总值分别取对数运算，通过SPSS软件利用神经网络模型筛选预测市级城市CO2排放量的主要参数，再运用神经网络模型预测县级城市年能源消费CO2排放量，根据预测值与实际值之间的相对误差检验预测模型的可信度；本发明了避免了后期县级城市能源消费量缺失等问题，可以直观快速地反映县级城市CO2排放量情况。

技术研发人员：吴蒙,王双美,毛礼鑫,杨旅涵,宋雪娟,张娜,王晓青,柯研,王伟
受保护的技术使用者：中能化江苏地质矿产设计研究院有限公司
技术研发日：
技术公布日：2024/1/15