汽车销量对碳达峰和碳中和的影响预测方法技术

技术编号：42531739 阅读：11 留言：0更新日期：2024-08-27 19:39

本发明专利技术公开了汽车销量对碳达峰和碳中和的影响预测方法，涉及汽车销量预测方法领域，结合灰色预测模型GM(1,1)和长短期记忆网络(LSTM)模型，分析和预测了中国新能源汽车销量和二氧化碳排放量的未来趋势。通过对新能源汽车销量的预测，利用LSTM模型对二氧化碳排放量进行了时间序列分析，结果表明新能源汽车的推广有助于减缓碳排放的增长速度，为中国实现碳达峰和碳中和目标提供了数据支持和理论依据。本研究为制定相关碳减排政策和新能源汽车推广策略提供了科学指导和决策支持。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及汽车销量预测方法，具体涉及汽车销量对碳达峰和碳中和的影响预测方法。

技术介绍

1、新能源汽车(nevs)作为减少对化石燃料依赖和降低温室气体排放的关键途径，正逐渐成为汽车产业的新趋势，此外，新能源汽车还关联着二氧化碳排放量的未来趋势，有效减缓减缓碳排放的增长速度。

2、对于新能源汽车的销售量对碳排量的抑制作用，涉及到汽车碳排量占比整体碳排量，新能源汽车的销售量占比整体汽车所有量等因素，另外新能源汽车的销售量对碳达峰和碳中和的影响也需要准确的调研数据来支撑，因此需要准确做出新能源汽车销售量的预测模型。

3、为此，本领域技术人员提出汽车销量对碳达峰和碳中和的影响预测方法，结合灰色预测模型gm(1,1)和长短期记忆网络(lstm)模型，分析和预测了中国新能源汽车销量和二氧化碳排放量的未来趋势。

技术实现思路

1、针对现有技术的不足，本专利技术提供了汽车销量对碳达峰和碳中和的影响预测方法，采用灰色预测模型结合长短期记忆网络(lstm)模型，相互佐证分析新能源汽车销售量对碳达峰和碳中和的影响，分析得到计算公式，方便验证以及计算证明两者之间的关联关系与未来趋势。

2、为实现以上目的，本专利技术通过以下技术方案予以实现：汽车销量对碳达峰和碳中和的影响预测方法，包括：

3、s1、引入灰色预测理论，推算汽车销量与碳达峰和碳中和之间的关联计算关系式；

4、s2、结合背景值优化计算方程，推导出新的公式代替原模型中的公式；

<p>5、s3、使用基于背景值优化的灰色预测模型对新能源汽车过往数据进行预测；

6、s4、引入lstm时间序列预测模型，进行数据归一化。

7、假设为原始非负样本序列，依据灰色预测模型的原始计算方式，结合新能源汽车销售量对碳达峰和碳中和的影响背景值，进而推算出贴合使用的原始一阶累加数据序列、紧邻均值生成序列和一阶线性白化微分方程。

8、依据文献推导新的背景值优化公式，该公式对于提升gm(1，1)模型的预测精度具有显著作用，用该公式代替原模型的公式。

9、现在考虑边值条件的修正形式，设修正为x(1)(1)＝x(0)(1)+c，式中参数c为修正项，推算修正项c对于预测值有指数修正效用，因而其作用不容忽视，当c＝0时，就是通常的预测表达式，针对计算公式中的原始序列和生成序列验证关系，使用最小准则和均方误差分别给出确定边值修正项的计算方法。

10、选取c，使得原始时间序列新预测值的误差在最小二乘意义下最小；

11、选取c，使得生成序列新的预测值的误差在最小二乘意义下最小，相应得出计算式。

12、对优化后的计算方程进行最后的调整，并比较结果以选择更佳的方案。

13、优选的，使用基于背景值优化的灰色预测模型对新能源汽车过往销售量数据进行预测，并对原始月度数据执行初步处理，对比验证以确保分析结果的一致性和可比性。

14、根据准光滑性检验公式得到ρ(3)＝0.6693，ρ(4)＝0.7748，ρ(5)＝0.2110......ρ(36)＝0.0723≤0.5，即当k>4时满足准光滑条件。

15、根据准指数规律检验公式得σ1(3)＝1.6693，σ1(4)＝1.7748，σ1(5)＝1.2110......σ1(36)＝1.0723。当k>4时，σ1(k)∈(1，1.5)，所以满足准指数规律，可以对x(1)建立gm(1，1)模型。

16、优选的，依托优化后的计算公式，再一次对原始序列进行一阶累加数据序列的计算，并带入历史数据对原始序列做准光滑性检验。

17、优选的，检验一阶累加数据序列是否满足准指数规律，依据一阶累加数据序列建立灰色预测模型的白化方程计算紧邻均值生成序列，利用最小二乘法对参数进行估计，得到最终的灰色预测模型白化方程。

18、设x(1)建立的gm(1，1)白化方程为依据公式计算x(1)的紧邻均值生成序列；

19、利用最小二乘法对参数进行估计，得到gm(1,1)白化方程。

20、优选的，引入lstm时间序列预测模型，进行基于极大极小值的二氧化碳数据归一化分析建模，并对数据进行归一化处理，构建长短期记忆(lstm)网络模型。

21、对基于背景值优化的gm(1,1)模型进行精度检验。模型的准确性是评估其实际应用价值的关键因素之一。为此，我们将采用多种统计指标和方法来评估模型的预测性能。

22、长短期记忆网络(lstm)是一种先进的循环神经网络(rnn)，专为解决传统rnn在处理长序列数据时遇到的梯度消失问题而设计。lstm的核心特性是其细胞状态，它类似于一个信息的传输带，允许信息在网络的多个时间步之间流动，同时通过三个关键的门控机制——输入门、遗忘门和输出门——来控制信息的流动。输入门决定新的信息如何被添加到细胞状态中，遗忘门确定哪些旧信息应该被遗忘，而输出门则控制着网络的最终输出。这种结构赋予了lstm捕捉和记忆长期依赖关系的能力，使其在时间序列预测任务中表现出色，尤其是在需要考虑历史数据中长期间隔和延迟事件的情况下。

本文档来自技高网...

【技术保护点】

1.汽车销量对碳达峰和碳中和的影响预测方法，其特征在于，包括：

2.如权利要求1所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：依据灰色预测理论的原始计算方法，假设原始非负样本序列，推算原始一阶累加数据序列、紧邻均值生成序列和一阶线性白化微分方程。

3.如权利要求2所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：依据新能源汽车销售量与碳达峰碳中和之间关联背景值，推导出新的背景值优化公式，用该公式代替原模型中的计算公式。

4.如权利要求3所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：考虑边值条件的修正形式，针对计算公式中的原始序列和生成序列验证关系，使用最小准则和均方误差分别给出确定边值修正项的计算方法。

5.如权利要求1所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：使用基于背景值优化的灰色预测模型对新能源汽车过往销售量数据进行预测，并对原始月度数据执行初步处理，对比验证以确保分析结果的一致性和可比性。

6.如权利要求1所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：依

7.如权利要求6所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：检验一阶累加数据序列是否满足准指数规律，依据一阶累加数据序列建立灰色预测模型的白化方程计算紧邻均值生成序列，利用最小二乘法对参数进行估计，得到最终的灰色预测模型白化方程。

8.如权利要求1所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：引入LSTM时间序列预测模型，进行基于极大极小值的二氧化碳数据归一化分析建模，并对数据进行归一化处理，构建长短期记忆(LSTM)网络模型。

...

【技术特征摘要】

1.汽车销量对碳达峰和碳中和的影响预测方法，其特征在于，包括：

5.如权利要求1所述的汽车销量对碳达峰和碳中和的影响预测方法，其特征在于：使用基于背景值优化的灰色预...

【专利技术属性】
技术研发人员：李淑敬，王孝阳，刘淼，黄小杰，张宇翔，卢操，王先超，
申请(专利权)人：阜阳师范大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人