控制与决策

作者：张雯,吴志彬,徐玖平

单位：四川大学 商学院,成都 610065,,四川大学 商学院,成都 610065,,四川大学 商学院,成都 610065,

关键词：碳排预测;时间序列;数据分解;最小二乘支持向量机;粒子群优化算法;分解集成

基金：国家自然科学基金面上项目(71971148,71671118)；中央高校基本科研业务费专项资金项目(SXYPY202103).

二氧化碳排放量的发展趋势作为能够反映各国减排措施的指标之一,近些年来受到广泛关注.为了缓解碳排放数据的非线性和波动性对预测精度造成的影响,提出一种高效的分解集成预测方法用于预测二氧化碳的年排放量.碳排的原始序列数据被经验模态分解(empirical mode decomposition,EMD)方法分解为不同频率的振动模块和残差项,粒子群优化算法(particle swarm optimization,PSO)优化后的最小二乘支持向量机(least squares support vector machine,LSSVM)用于预测每个分解模块.选取世界上12个国家的真实碳排数据进行实例验证,预测结果表明:EMD方法能够有效提高碳排预测的精准度;与其他预测模型相比,分解集成预测方法能够将平均绝对误差(mean absolute error,MAE)的均值最少提高46.46%,最多提高90.09%,将平均Pearson相关系数(Pearson correlation coefficient,PCC)值最少提高10.45%,最多提高45.10%.

来源：2022年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第7期