碳排量预测方法及装置制造方法及图纸

本发明专利技术提供一种碳排量预测方法及装置，涉及数据处理技术领域，用于解决现有方法碳排量预测的精度低、预测的鲁棒性和泛化能力弱的问题，方法包括：获取待预测的碳排放关联数据，其中，待预测的碳排放关联数据包括N个样本数据，N为大于等于2的整数；计算N个样本数据中任意两个数据样本之间的关系强度值，得到至少一个关系强度值，至少一个关系强度值构成邻接矩阵；将邻接矩阵输入图卷积神经网络来提取待预测的碳排放关联数据中不同尺度的特征，得到多尺度特征；将多尺度特征输入基于动态权重的随机森林模型，预测碳排放量。预测碳排放量。预测碳排放量。

【技术实现步骤摘要】
碳排量预测方法及装置


[0001]本专利技术涉及数据处理
，具体涉及碳排量预测
，尤其涉及一种碳排量预测方法及装置。

技术介绍

[0002]工业园区、大型集团、建筑集群等场所是二氧化碳排放的主要场所，随着国家碳排放权交易市场的成熟和推广，对主要碳排放场所进行排放总量控制显得尤为重要。要实施对碳排放场所二氧化碳排放总量的控制，对碳排放量的计算与预测是基础。排放量预测模型的训练，十分依赖于大量的训练样本，而训练样本的获取十分费时费力，部分企业成立时间较短，训练样本的标注更加困难。当带标记的训练样本不足时，容易产生预测精度低、预测模型鲁棒性差、泛化能力差等问题。
[0003]现有的碳排量预测方法存在以下问题：现有技术在特征提取方面可能较为局限，无法有效地捕捉到碳排放量预测任务中的关键特征。现有技术在预测模型方面可能仅依赖于传统的随机森林等方法，预测性能较差。现有技术在样本生成方面可能较为有限，未能充分考虑到碳排放量预测任务所需的样本多样性，导致模型的泛化能力较差。

技术实现思路

[0004]针对上述技术问题，本专利技术提供一种碳排量预测方法及装置，用于至少部分解决上述技术问题。
[0005]基于此，本专利技术第一方面提供一种碳排量预测方法，包括：获取待预测的碳排放关联数据，其中，待预测的碳排放关联数据包括N个样本数据，N为大于等于2的整数；计算N个样本数据中任意两个数据样本之间的关系强度值，得到至少一个关系强度值，至少一个关系强度值构成邻接矩阵；将邻接矩阵输入图卷积神经网络来提取待预测的碳排放关联数据中不同尺度的特征，得到多尺度特征；将多尺度特征输入基于动态权重的随机森林模型，预测碳排放量。
[0006]根据本专利技术的实施例，计算N个样本数据中任意两个数据样本之间的关系强度值包括：根据
[0007]计算N个样本数据中第i个数据样本x
i
与第j个数据样本y
i
之间的关系强度值，d(x
i
,x
j
)第i个数据样本x
i
与第j个数据样本y
i
之间的距离，d(x
i
,x
k
) 第i个数据样本x
i
与第k个数据样本y
k
之间的距离，σ为条件变分自编码器的高斯核的宽度参数。
[0008]根据本专利技术的实施例，图卷积神经网络为M层，M为大于等于1的整数，不同层图卷积神经网络设置不同尺度的池化操作；将邻接矩阵输入图卷积神经网络来提取待预测的碳排放关联数据中不同尺度的特征，得到多尺度特征包括：将邻接矩阵输入第m层图卷积神经网络进行图卷积操作，得到第一特征；m为大于等于1且小于等于M的整数；基于第m层图卷积
神经网络设置的不同尺度的池化操作，对第一特征进行池化操作，得到对应于第m层的多个不同尺度的第二特征；对多个不同尺度的第二特征进行拼接，得到第三特征；将第三特征输入第m+1层图卷积神经网络进行图卷积操作，得到第四特征；基于第m+1层图卷积神经网络设置的不同尺度的池化操作，对第四特征进行池化操作，得到对应于第m+1层的多个不同尺度的第五特征；对多个不同尺度的第五特征进行拼接，得到第六特征；以此迭代，直到所有层图卷积神经网络运算完成，得到多尺度特征。
[0009]根据本专利技术的实施例，图卷积操作为：
[0010]其中，H
(m+1)
为第m+1层图卷积神经网络对应的第四特征，H
(m)
为第m层图卷积神经网络对应的第三特征，W
(m)
为第m层图卷积神经网络的权重矩阵，A为邻接矩阵，A'=A+I
N
为加入自环I
N
的邻接矩阵，D'是A'的度矩阵，δ(
⋅
)是激活函数。
[0011]根据本专利技术的实施例，基于动态权重的随机森林模型包括多个决策树，每个决策树分配有初始权重；将多尺度特征输入基于动态权重的随机森林模型，预测碳排放量；对于每一决策树，将每一尺度的特征输入该决策树，计算该尺度特征的特征值，特征值表征该尺度特征的重要性；根据该尺度特征的特征值更新该决策树的初始权重，得到更新后的决策树；将多尺度特征输入每个更新后的决策树，每个更新后的决策树输出一个碳排放量预测值；将多个碳排放量预测值进性均值计算，得到碳排放量。
[0012]根据本专利技术的实施例，根据该尺度特征的特征值更新该决策树的初始权重包括：根据
[0013]更新初始权重，其中，为第s个尺度特征对应的初始权重，为第s个尺度特征对应的更新后的权重，I
s
为第s个尺度特征的特征值，β为权重更新的衰减因子。
[0014]根据本专利技术的实施例，方法还包括：获取训练集，包括：获取历史碳排放量数据；对历史碳排放量数据进行扩充，得到第一数据集；采用对抗变分自编码器对第一数据集进行隐空间的映射及对抗训练，得到训练集，其中，训练过程中对抗变分自编码器的隐空间的维度采用逐渐递增的方式；采用训练集训练图卷积神经网络。
[0015]根据本专利技术的实施例，对抗变分自编码器包括编码器、解码器、判断器及生成器；编码器用于实现从历史碳排放量数据到隐空间的映射；解码器用于实现从隐空间到训练集的映射；判断器用于对历史碳排放量数据进行对抗训练；生成器用于基于隐空间的维度采用逐渐递增的方式生成训练集。
[0016]根据本专利技术的实施例，待预测的碳排放关联数据包括企业经营数据、企业生产数据、企业工艺数据中的至少之一。
[0017]本专利技术第二方面提供一种碳排量预测装置，包括：获取模块，用于获取待预测的碳排放关联数据，其中，待预测的碳排放关联数据包括N个样本数据，N为大于等于2的整数；计算模块，用于将计算N个样本数据中任意两个数据样本之间的关系强度值，得到至少一个关系强度值，至少一个关系强度值构成邻接矩阵；提取模块，用于将邻接矩阵输入图卷积神经网络来提取待预测的碳排放关联数据中不同尺度的特征，得到多尺度特征；预测模块，用于
将多尺度特征输入基于动态权重的随机森林模型，预测碳排放量。
[0018]根据本专利技术实施例提供的碳排量预测方法及装置，至少包括以下有益效果：采用自适应图卷积神经网络来提取碳排放量预测任务中的数据特征，结合了自适应邻接矩阵和图卷积神经网络的优点，在此基础上，引入了多尺度池化策略，从而能够有效地提取不同尺度的特征，进而提高了碳排量预测的精度。
[0019]基于动态权重的随机森林模型预测碳排放量，结合了随机森林和动态权重的优点，能够对碳排放量进行有效预测。在动态权重的基础上，引入了特征重要性调整策略，使得方法能够自适应地调整特征的重要性，提高了碳排量预测的鲁棒性和泛化能力。
[0020]采用对抗变分自编码器对历史碳排量数据进行隐空间的映射及对抗训练来生成训练集，通过对训练样本进行扩充，提高模型的泛化能力，同时增加生成样本的多样性，通过引入了渐进式生成策略，能够逐步生成更精细的样本，从而提高了碳排量预测的精度、鲁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种碳排量预测方法，其特征在于，包括：获取待预测的碳排放关联数据，其中，所述待预测的碳排放关联数据包括N个样本数据，N为大于等于2的整数；计算所述N个样本数据中任意两个数据样本之间的关系强度值，得到至少一个关系强度值，所述至少一个关系强度值构成邻接矩阵；将所述邻接矩阵输入图卷积神经网络来提取所述待预测的碳排放关联数据中不同尺度的特征，得到多尺度特征；将所述多尺度特征输入基于动态权重的随机森林模型，预测碳排放量。2.根据权利要求1所述的碳排量预测方法，其特征在于，所述计算所述N个样本数据中任意两个数据样本之间的关系强度值包括：根据;计算N个样本数据中第i个数据样本x
i
与第j个数据样本y
i
之间的关系强度值，d (x
i
,x
j
) 第i个数据样本x
i
与第j个数据样本y
i
之间的距离，d (x
i
, x
k
) 第i个数据样本x
i
与第k个数据样本y
k
之间的距离，σ为条件变分自编码器的高斯核的宽度参数。3.根据权利要求1所述的碳排量预测方法，其特征在于，所述图卷积神经网络为M层，M为大于等于1的整数，不同层图卷积神经网络设置不同尺度的池化操作；所述将所述邻接矩阵输入图卷积神经网络来提取所述待预测的碳排放关联数据中不同尺度的特征，得到多尺度特征包括：将所述邻接矩阵输入第m层图卷积神经网络进行图卷积操作，得到第一特征；m为大于等于1且小于等于M的整数基于第m层图卷积神经网络设置的不同尺度的池化操作，对所述第一特征进行池化操作，得到对应于第m层的多个不同尺度的第二特征；对所述多个不同尺度的第二特征进行拼接，得到第三特征；将所述第三特征输入第m+1层图卷积神经网络进行图卷积操作，得到第四特征；基于第m+1层图卷积神经网络设置的不同尺度的池化操作，对所述第四特征进行池化操作，得到对应于第m+1层的多个不同尺度的第五特征；对所述多个不同尺度的第五特征进行拼接，得到第六特征；以此迭代，直到所有层图卷积神经网络运算完成，得到所述多尺度特征。4.根据权利要求3所述的碳排量预测方法，其特征在于，所述图卷积操作为：;其中，H
(m+1)
为第m+1层图卷积神经网络对应的第四特征，H
(m)
为第m层图卷积神经网络对应的第三特征，W
(m)
为第m层图卷积神经网络的权重矩阵，A为邻接矩阵，A'=A+...

【专利技术属性】
技术研发人员：黄智祺，王峰，尤红建，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：