论文部分内容阅读
如今全球碳排放问题日趋严重,中国正在积极推动各产业实现低碳和绿色化发展。建筑行业是实现节能减排目标的重点领域。实现建筑业的低碳发展的基础工作是进行行业CO2排放量测算和预测,提高CO2排放预测模型精度对帮助建筑业部门实现节能减排有重要意义。本文拟基于具有非线性处理优势的BP神经网络和支持向量机算法,开展基于机器学习的建筑业二氧化碳排放智能预测模型研究。本文首先对建筑业二氧化碳排放现状进行分析,对建筑业二氧化碳排放边界进行界定,并在此基础上建立建筑业二氧化碳排放测算模型,得到各年建筑业二氧化碳排放量数据;通过文献的调研选取12个建筑业二氧化碳排放因素,并基于随机森林算法对影响因素进行选择,发现建筑业房屋竣工面积为最重要影响因素,并确定GDP、建筑业总产值、建筑业房屋竣工面积、建筑业劳动生产率、建筑企业从业人数、建筑业一次能源消耗量作为建筑业二氧化碳排放预测模型的输入变量。其次针对传统预测模型在建筑业二氧化碳排放预测中的不足,本文提出BP神经网络和支持向量机两种预测模型并对其进行仿真模拟,以平均相对误差、平均绝对误差、均方根误差和2四个指标对包括传统ARIMA模型在内的三个模型的预测结果进行对比分析。结果表明,传统预测模型的四项误差指标均大于其他两个模型,预测结果偏离实际值较严重,表明机器学习预测模型优于传统预测模型;其中,支持向量机模型预测值平均相对误差最小,预测结果最接近实际值。最后,为了进一步提高预测精度,针对目前BP神经网络权值和阈值选择问题和支持向量机参数选取方法的不足,将混沌粒子群算法（CPSO）和模糊布谷鸟搜索算法（FCS）分别应用于BP神经网络和支持向量机预测模型中,对相关参数进行优化。仿真研究表明,相比于未经优化的模型,优化后模型的预测精度更高,优化后的支持向量机模型的预测平均相对误差降低2.68%,BP神经网络预测模型的平均相对误差相对优化前降低9.75%,CPSO对BP神经网络的精度提升幅度更大,但经过优化的支持向量机预测模型的精度仍高于BP神经网络。然后选用精度最高的FCS-SVM预测模型对2019-2023年中国建筑业二氧化碳排放进行预测,结果显示在未来五年碳排放总量上升趋势,但增速明显放缓,而建筑业二氧化碳排放强度在2023年之前将会持续下降,但下降率很低。