【技術實現步驟摘要】
本專利技術涉及碳排放預測，尤其涉及一種基于lstm和自注意力的碳排放預測方法和系統。
技術介紹
1、隨著全球溫室效應的加劇，減少自工業革命以來由人為活動引起的溫室氣體排放成為了解決人類環境問題的首要任務。準確的碳排放預測能夠幫助決策者了解未來的排放趨勢，從而制定有效的減排措施，以減緩全球變暖的速度。
2、碳排放預測通過分析和建模歷史數據、經濟指標、能源使用等多種因素，預測未來某一地區或行業的碳排放量。這項工作在應對全球氣候變化和實現可持續發展目標方面具有重要意義。
3、目前現有的碳排放預測技術或是只考慮年份對碳排放的影響而忽略其他因素，或是只考慮了單因素對碳排放的影響，或是建立的模型對時間序列數據的長期信息和多因素之間的關聯信息無法捕捉，現有的碳排放預測方法無法實現對未知碳排放的準確預測。
技術實現思路
1、鑒于此，本專利技術實施例提供了一種基于lstm和自注意力的碳排放預測方法和系統，以消除或改善現有技術中存在的對碳排放預測的準確度不高的缺陷。
2、本專利技術的第一方面提供了一種基于lstm和自注意力的碳排放預測模型的訓練方法，該方法包括以下步驟：
3、獲取訓練樣本集，所述訓練樣本集的一組訓練樣本包括多個影響因素數據；將所述訓練樣本輸入初始碳排放預測模型；所述初始碳排放預測模型包括長短時記憶層、自注意力層和線性層；
4、所述初始碳排放預測模型利用所述長短時記憶層提取并輸出每個影響因素對應的有效關鍵信息；
5、
6、將每個影響因素對應的關聯信息進行整合并輸入所述線性層，輸出碳排放預測結果；
7、基于所述碳排放預測結果與真實標簽的差距構建損失函數，最小化所述損失以更新模型參數直至訓練輪數達到預設訓練輪數，獲得訓練后的碳排放預測模型。
8、在本專利技術的一些實施例中，所述多個影響因素數據包括預設區域內碳排放歷史數據、能源結構數據、人口數據和經濟數據；
9、所述碳排放歷史數據包括所述預設區域內歷年碳排放量及對應年份；所述能源結構數據包括所述預設區域內歷年多種能源消耗量；所述人口數據包括所述預設區域內歷年人口數量和多種人口分類對應的數量；所述經濟數據包括所述預設區域內多種行業的增長值和居民消費水平數據。
10、在本專利技術的一些實施例中，所述初始碳排放預測模型利用所述長短時記憶層提取每個影響因素數據對應的有效關鍵信息，計算式為：
11、
12、其中，ai表示每個影響因素數據對應的有效關鍵信息，xi表示所述影響因素數據，i表示影響因素序號，σ表示激活函數，wls和bls表示所述長短時記憶層的參數。
13、在本專利技術的一些實施例中，將所述訓練樣本輸入初始碳排放預測模型之前還包括：對所述訓練樣本集進行數據預處理和歸一化；
14、所述數據預處理包括對所述訓練樣本集的數據進行清洗，以及對所述訓練樣本集中數據按照影響因素進行分類和編碼。
15、在本專利技術的一些實施例中，將每個影響因素對應的關聯信息進行整合并輸入所述線性層，輸出碳排放預測結果，計算式為：
16、ycb＝wln·(∑iri)+bln；
17、其中，ycb表示所述碳排放預測結果，ri表示每個影響因素對應的關聯信息，i表示影響因素序號，wln和bln表示所述線性層的參數。
18、在本專利技術的一些實施例中，將每個影響因素對應的關聯信息進行整合，還包括：引入可學習權重，給每個影響因素分別分配對應的權重，以調整每個影響因素對所述碳排放預測結果的貢獻。
19、在本專利技術的一些實施例中，最小化所述損失以更新模型參數的算法采用小批量隨機梯度下降算法或自適應學習率算法。
20、本專利技術的第二方面提供了一種基于lstm和自注意力的碳排放預測方法，該方法包括：
21、獲取碳排放數據，將所述碳排放數據輸入至如上述任意一項所述基于lstm和自注意力的碳排放預測模型的訓練方法獲得的訓練后的碳排放預測模型，輸出碳排放預測結果。
22、本專利技術的第三方面提供了一種基于lstm和自注意力的碳排放預測系統，包括處理器、存儲器及存儲在存儲器上的計算機程序，所述處理器用于執行所述計算機程序，當所述計算機程序被執行時該系統實現如上述任一項所述方法的步驟。
23、本專利技術的第四方面提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述任一項所述方法的步驟。
24、本專利技術的有益效果至少是：
25、本專利技術提供一種基于lstm和自注意力的碳排放預測方法和系統，預測模型訓練方法為：獲取訓練樣本集，將訓練樣本輸入初始碳排放預測模型，該模型包括長短時記憶層、自注意力層和線性層。利用長短時記憶層提取并輸出每個影響因素對應的有效關鍵信息，將每個影響因素對應的有效關鍵信息輸入至自注意力層，輸出每個影響因素與其自身之外其他影響因素之間的關聯信息。將每個影響因素對應的關聯信息進行整合并輸入線性層，輸出碳排放預測結果。基于預測結果與真實標簽的差距構建損失函數，最小化損失以更新模型參數直至達到預設訓練輪數，獲得訓練后的碳排放預測模型。本專利技術綜合考慮了多種影響碳排放的因素，并考慮多種因素之間的相互影響，本專利技術構建的預測模型能夠更有效捕捉時間序列數據中的非線性關系和長期依賴關系，從而實現對碳排放更準確的預測。
26、本專利技術的附加優點、目的，以及特征將在下面的描述中將部分地加以闡述，且將對于本領域普通技術人員在研究下文后部分地變得明顯，或者可以根據本專利技術的實踐而獲知。本專利技術的目的和其它優點可以通過在說明書以及附圖中具體指出的結構實現到并獲得。
27、本領域技術人員將會理解的是，能夠用本專利技術實現的目的和優點不限于以上具體所述，并且根據以下詳細說明將更清楚地理解本專利技術能夠實現的上述和其他目的。
本文檔來自技高網...【技術保護點】
1.一種基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，所述多個影響因素數據包括預設區域內碳排放歷史數據、能源結構數據、人口數據和經濟數據；
3.根據權利要求1所述的基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，所述初始碳排放預測模型利用所述長短時記憶層提取每個影響因素數據對應的有效關鍵信息，計算式為：
4.根據權利要求1所述的基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，將所述訓練樣本輸入初始碳排放預測模型之前還包括：對所述訓練樣本集進行數據預處理和歸一化；
5.根據權利要求1所述的基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，將每個影響因素對應的關聯信息進行整合并輸入所述線性層，輸出碳排放預測結果，計算式為：
6.根據權利要求1所述的基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，將每個影響因素對應的關聯信息進行整合，還包括：引入可學習
7.根據權利要求1所述的基于LSTM和自注意力的碳排放預測模型的訓練方法，其特征在于，最小化所述損失以更新模型參數的算法采用小批量隨機梯度下降算法或自適應學習率算法。
8.一種基于LSTM和自注意力的碳排放預測方法，其特征在于，該方法包括：
9.一種基于LSTM和自注意力的碳排放預測系統，包括處理器、存儲器及存儲在存儲器上的計算機程序，其特征在于，所述處理器用于執行所述計算機程序，當所述計算機程序被執行時該系統實現如權利要求1至8中任一項所述方法的步驟。
10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至8中任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于lstm和自注意力的碳排放預測模型的訓練方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于lstm和自注意力的碳排放預測模型的訓練方法，其特征在于，所述多個影響因素數據包括預設區域內碳排放歷史數據、能源結構數據、人口數據和經濟數據；
3.根據權利要求1所述的基于lstm和自注意力的碳排放預測模型的訓練方法，其特征在于，所述初始碳排放預測模型利用所述長短時記憶層提取每個影響因素數據對應的有效關鍵信息，計算式為：
4.根據權利要求1所述的基于lstm和自注意力的碳排放預測模型的訓練方法，其特征在于，將所述訓練樣本輸入初始碳排放預測模型之前還包括：對所述訓練樣本集進行數據預處理和歸一化；
5.根據權利要求1所述的基于lstm和自注意力的碳排放預測模型的訓練方法，其特征在于，將每個影響因素對應的關聯信息進行整合并輸入所述線性層，輸出碳排放預測結果，計算式為：
6....
【專利技術屬性】
技術研發人員：熊翱，周晗，郭少勇，王棟，李達，溫婷婷，高博，李雪松，
申請(專利權)人：北京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。