欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024103310450
申请人: 华北理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

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

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,

根据待定预测序列

2.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,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,确定待定预测序列获取所述ARIMA模型的残差的绝对值的总和

当

当

3.如权利要求2所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,获取所述窗口内不同时间点的ARIMA模型预测值的残差的绝对值的较小值数量以及所述窗口内不同时间点的CNN模型预测值的残差的绝对值的较小值数量,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获取所述ARIMA模型的预测序列的权重

获取所述CNN模型的预测序列的权重

根据所述ARIMA模型的预测序列的权重

其中,

4.如权利要求3所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,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设定RMSE,并获取区间0~1之间以0.01为间隔的ARIMA模型权重的可能取值的RMSE的值和CNN模型权重的可能取值的RMSE的值;

获取所述ARIMA模型权重的可能取值的RMSE的值中的最小值对应的权重作为所述ARIMA模型的权重获取所述CNN模型权重的可能取值的RMSE的值中的最小值对应的权重作为所述CNN模型的权重根据所述ARIMA模型的权重

5.如权利要求4所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,根据待定预测序列获取所述待定预测序列

当△A1<△A2,且△A1<△A3时,则确定所述待定预测序列当△A1>△A2,且△A2<△A3时,则确定所述待定预测序列当△A1>△A3,且△A2>△A3时,则确定所述待定预测序列

6.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,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时,包括:获取所述历史碳排放时间序列数据中若干时间节点的碳排放数据,并建立数据集;

将所述数据集进行归一化处理,并按照时间顺序将归一化处理的所述数据集划分为训练集和测试集,归一化公式为:其中,

7.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,获取ARIMA模型的最优参数,并根据所述最优参数建立ARIMA模型时,包括:获取所述历史碳排放时间序列数据中的时间序列,并基于单位根检验对所述时间序列的平稳性进行检测,其中:获取所述时间序列中的p值,并根据所述p值与预设的p0值之间的关系判断所述时间序列是否平稳;

当p>p0时,则判断所述时间序列为不平稳时间序列,并基于差分算法将所述不平稳时间序列转换为所述平稳时间序列;

当p≤p0时,则判断所述时间序列为平稳时间序列,并获取所述时间序列中P值,并根据所述P值与预设P1值之间的关系,判断所述平稳时间序列是否为白噪声;

当P≥P1时,则判断所述平稳时间序列为白噪音,并对所述时间序列进行调整;

当P<P1时,则判断所述平稳时间序列为非白噪音,并基于贝叶斯信息准则获取所述ARIMA模型中最优的三个参数。

8.如权利要求1所述的基于TSA-ARIMA-CNN的企业碳排放预测方法,其特征在于,将RMSE和获取卷积核个数、卷积核大小、最大迭代次数和模型的批量大小以及所述CNN模型的超参数;

根据所述卷积核个数、卷积核大小、最大迭代次数和模型的批量大小对所述CNN模型的超参数进行调整,其中;

获取若干调整后的所述CNN模型的超参数中的RMSE以及R根据RMSE指标的大小关系对若干调整后的所述CNN模型的超参数进行第一排序;

根据R

获取所述若干调整后的所述CNN模型的超参数中RMSE指标小于其他RMSE指标且R