【技术实现步骤摘要】
本专利技术涉及碳排放数据处理，具体涉及一种基于区块链的碳排放监测核查方法、装置、设备及介质。
技术介绍
1、现有碳排放报告核查制度监测阶段依赖于排放单位自行统计数据，报告阶段的周期性导致了监管滞后性，核查阶段对专业人才的依赖拉高了人力成本，从而导致数据质量和执行效率问题较为突出。现有基于区块链的碳排放监测与管控方法大多主要面向企业而非监管部门，未考虑区块链数据透明性带来的商业隐私问题。同时，当前大部分自动化监测方案未考虑数据核查核算需求仅对数据进行登记保存，小部分实现数据核查的监测方案也面临核查方法单一和适应性不强的困境，结合不同企业碳排放数据特点设计的异常检测框架尚未实现。
技术实现思路
1、本专利技术提供了一种基于区块链的碳排放监测核查方法、装置、设备及介质，解决了现有技术中碳排放数据异常识别维度单一且碳排放监管效率滞后的问题。
2、为实现上述目的，基于本专利技术一方面，提供一种基于区块链的碳排放监测核查方法，包括：
3、获取监测企业的当前碳排放数据样本；
4、调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别，包括应用所述异常数据识别智能合约搭载的acgmm模型检验所述当前碳排放数据样本是否存在数据离群情况，如果是，则向所述当前碳排放数据样本添加数据离群异常标签，所述acgmm模型包括对比表示模块、注意力模块、估计网络模块；
5、其中，所述应用所述异常数据识别智能合约搭载的acgmm模型检验所述当前碳排放数据样本是
6、获取与所述当前碳排放数据样本对应的所述监测企业的预配置模型参数和预设时长内的历史碳排放数据，所述历史碳排放数据包括多个碳排放数据样本以及各所述碳排放数据样本对应的企业碳排放特征、样本属于各个分布的概率；将所述预配置模型参数载入到所述acgmm模型，提取所述历史碳排放数据中各碳排放数据样本的数值指标和所述当前碳排放数据样本的数值指标，组成碳排放数据集，所述碳排放数据集为矩阵，矩阵的每一行即为一个样本表示向量，任一所述样本表示向量由其中一碳排放数据样本的数值指标组成；取所述当前碳排放数据样本对应的样本表示向量输入所述对比表示模块，得到对比表示向量；将所述碳排放数据集输入l层的所述注意力模块，得到所述当前碳排放数据样本对应的注意力分布向量；对所述对比表示向量和所述注意力分布向量进行拼接，得到所述当前碳排放数据样本的企业碳排放特征；应用所述估计网络模块对所述企业碳排放特征进行处理，获取所述当前碳排放数据样本属于各个分布的概率；根据所述历史碳排放数据中各所述碳排放数据样本对应的企业碳排放特征以及样本属于各个分布的概率、所述对比表示模块、所述注意力模块与所述估计网络模块的输出值计算均值、协方差矩阵；根据所述当前碳排放数据样本的企业碳排放特征、所述均值以及所述协方差矩阵计算所述当前碳排放数据样本的企业碳排放特征的能量值；判断所述当前碳排放数据样本的所述能量值是否大于预设的参考阈值，如果是，则返回当前碳排放数据存在数据离群情况的识别结果；
7、根据所述当前碳排放数据样本调用可排放额计算智能合约计算所述监测企业的可排放余额；
8、将异常数据识别结果与所述可排放余额上传至区块链。
9、在其中一实施例中，所述调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别，还包括：
10、检验所述当前碳排放数据样本的上传时间间隔是否小于最大上传间隔阈值；如果否，则确定所述当前碳排放数据样本存在数据缺失情况，向所述当前碳排放数据样本添加数据缺失异常标签；
11、根据所述当前碳排放数据样本的各数值指标间的数量关系确定所述各数值指标间的数量关系是否存在数据错误情况，如果是，则向所述当前碳排放数据样本添加数据错误异常标签。
12、在其中一实施例中，所述调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别之前，还包括配置与所述监测企业对应的所述acgmm模型的模型参数，包括：
13、上传所述监测企业在预设时间范围内的企业历史排放数据；
14、提取所述企业历史排放数据中各样本的数值指标，组成企业历史排放数据集，其中，n为时序样本个数，m为样本含数值指标个数的最大值，，为样本对应的数值指标组成的样本表示向量；
15、输入模型参数、，为邻域距离，为核心对象识别阈值，基于所述企业历史排放数据集x通过预设的dbscan聚类模型思想构建正负样本数据；
16、构建对比学习框架下的对比表示模块，通过对比表示模块得到任意的样本表示向量的对比表示向量，；
17、通过所述正负样本数据更新对比表示模块的模型参数；
18、构建l个注意力模块，根据预设的取样范围b，从企业历史排放数据集x中选取任一样本表示向量对应的样本子集，，，，，样本子集为样本表示向量与之前的连续（b-1）个样本表示向量共同构成的维矩阵，将任一样本子集输入l个注意力模块，得到任一样本表示向量对应的l个注意力分布向量，，，其中，、为第l层注意力模块的模型参数；
19、构建修改的transformer结构，对于任一样本表示向量，根据当前选取的样本表示向量对应的样本子集计算每个注意力模块中参数、、的值，，其中，、、为第l层注意力模块的模型参数，根据参数、计算样本子集在每个注意力模块的注意力分布，根据注意力分布、参数计算样本子集在每个注意力模块的初始重构输出，根据每个注意力模块的初始重构输出计算样本子集在每个注意力模块的二次重构输出；
20、通过所述修改的transformer结构，计算任一样本子集在第l个注意力模块的二次重构输出，构建损失函数，应用各样本子集对损失函数进行优化，不断减小任一样本子集与其二次重构输出之间的差异，更新l个注意力模块中的模型参数、；
21、构建gmm框架下的估计网络模块，对于任一样本表示向量，将通过对比表示模块得到的对比表示向量与通过l个注意力模块得到的l个注意力分布向量进行拼接，得到的企业碳排放特征，，，基于企业碳排放特征通过多层神经网络对估计网络模块进行模拟，得到估计网络模块的联合密度估计，估计网络模块输出的联合密度估计经过层得到样本表示向量分别归属各分布的概率，再根据分别归属各分布的概率计算各样本的能量值；
22、构建用于对估计网络模块的模型参数进行更新的损失函数，应用各样本子集对损失函数进行优化，更新估计网络模块中的模型参数；
23、将携带有企业标识符的所述对比表示模块、所述注意力模块、所述估计网络模块的模型参数写入区块链的模型参数账本。
24、在其中一实施例中，所述基于所述企业历史排放数据集x通过预设的dbscan聚类模型思想构建正负样本数据，包括：
25、s501：初始化所述企业历史排放数据集x中未访问到的样本列表，已访问的样本列表， 簇划分；
26、s502：在unvisited集合中随机选择一个样本，将其从u本文档来自技高网...
【技术保护点】
1.一种基于区块链的碳排放监测核查方法，其特征在于，包括：
2.如权利要求1所述的碳排放监测核查方法，其特征在于，所述调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别，还包括：
3.如权利要求1所述的碳排放监测核查方法，其特征在于，所述调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别之前，还包括配置与所述监测企业对应的所述ACGMM模型的模型参数，包括：
4.如权利要求3所述的碳排放监测核查方法，其特征在于，所述基于所述企业历史排放数据集X通过预设的DBSCAN聚类模型思想构建正负样本数据，包括：
5.如权利要求1-4任一项所述的碳排放监测核查方法，其特征在于，所述根据所述当前碳排放数据样本调用可排放额计算智能合约计算所述监测企业的可排放余额，包括：
6.如权利要求1-4任一项所述的碳排放监测核查方法，其特征在于，所述将异常数据识别结果与所述可排放余额上传至区块链后，还包括根据所述异常数据识别智能合约返回的异常数据识别结果更改所述区块链中的错误记录数值，包括：
7.一种基于区块
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的基于区块链的碳排放监测核查方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，其特征在于，所述计算机指令用于使计算机执行如权利要求1-6中任一项所述的基于区块链的碳排放监测核查方法。
...【技术特征摘要】
1.一种基于区块链的碳排放监测核查方法，其特征在于，包括：
2.如权利要求1所述的碳排放监测核查方法，其特征在于，所述调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别，还包括：
3.如权利要求1所述的碳排放监测核查方法，其特征在于，所述调用异常数据识别智能合约对所述当前碳排放数据样本进行异常数据识别之前，还包括配置与所述监测企业对应的所述acgmm模型的模型参数，包括：
4.如权利要求3所述的碳排放监测核查方法，其特征在于，所述基于所述企业历史排放数据集x通过预设的dbscan聚类模型思想构建正负样本数据，包括：
5.如权利要求1-4任一项所述的碳排放监测核查方法，其特征在于，所述根据所述当前碳排放数据样本调用可排放额计算智能合约计算所述监测企业...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。