我國二氧化碳排放量的研究(編輯修改稿)
2025-07-25 18:38 本頁面
【文章內(nèi)容簡介】 性函數(shù)單元。模型訓練中采用6個影響因素19922009年的指標數(shù)據(jù)作為訓練數(shù)據(jù)，訓練樣本有18個，以20102011年數(shù)據(jù)作為測試樣本。模型的建立包括兩個過程： ①學習訓練過程：用樣本組數(shù)據(jù)對網(wǎng)絡進行訓練,經(jīng)過一定的迭代次數(shù)，系統(tǒng)平均誤差達到已設定的精度后，獲得穩(wěn)定的網(wǎng)絡結構、連接權值、節(jié)點閾值。在本例中，訓練的18個樣本，分別是從1992年開始用6個因素的指標數(shù)據(jù)預測各年的碳排放量， 1992—2009年數(shù)據(jù)訓練前后的數(shù)據(jù)值年份訓練前訓練后仿真預測19921993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ②模型測試過程：將測試樣本輸入到訓練后的網(wǎng)絡，得到20102011年預測值，： BP神經(jīng)網(wǎng)絡對碳排放的真實值與預測值的比較年份20102011真實值預測值百分絕對誤差%%通過圖表比較，%，證明本模型具有一般的精準度。在以后知道各個因素值的情況下，可以得出較一定的預測值。只有一定的參考性。2．BP神經(jīng)網(wǎng)絡模型的求解 ，預測的精確度較高，可以用來對未來數(shù)據(jù)的預測（圖55），對20122015年的能源消費排放量進行預測數(shù)據(jù)如下表（）： 2012—2015年碳排放量預測數(shù)值年份2012201320142015預測值對于中國的能源總碳排放量，檢驗得出通過多次訓練都可以給出較準確的預測值。（程序見附錄四）圖55 BP網(wǎng)絡模型預測圖．模型的比較與分析： 各種模型對我國碳排放總量預測值年份最小二乘法多元回歸分析ＧＭ(１,１)灰色預測ＢＰ神經(jīng)網(wǎng)絡2012201320142015由以上各模型的求解過程中可知，多元回歸分析、GM（1,1）灰色預測、BP神經(jīng)網(wǎng)絡模型預測的值精準性較一般，因此本文認為最小二乘法預測的20122015年我國碳排放總量較為精確。根據(jù)最小二乘法預測可知，未來幾年變化趨勢見圖56。（程序見附錄五） 碳排放量影響因素所占總量的百分比農(nóng)林牧漁工業(yè)建筑交通批售其他2012%%%%%%2013%%%%%%2014%%%%%%2015%%%%%%圖56 各因素20122015年所占百分比散點圖分析：能源消費CO2排放量的主要影響因素是工業(yè)和交通運輸業(yè)，在經(jīng)濟規(guī)?？偭吭龃蟮挠绊懏斨?，工業(yè)規(guī)模的快速增長是能源消費CO2排放量增加的主要貢獻因素( )，%；%居二。因此，減緩CO2排放最有效的方法是適當減少工業(yè)規(guī)模或轉變工業(yè)發(fā)展模式，盡量尋求清潔能源代替化石燃料以減少交通運輸?shù)刃袠I(yè)的碳排放量。6 模型評價與推廣．模型評價：優(yōu)點：（1）最小二乘法擬合可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù) 與真實值之間誤差的平方和為最小。（2）神經(jīng)網(wǎng)絡模型逼近效果好，計算速度快，不需要建立模型，擬合精度 高；（3）灰色理論模型預測誤差范圍較小，預測比較精確；（4）利用處理數(shù)據(jù)編寫程序方便直觀易于分析結果；缺點：（1） 多元線性回歸只能對現(xiàn)有的數(shù)據(jù)進行預測，若影響因素未知，則不能 對未來幾年進行合理的預測；（2）GM(1,1)在長期的預測中誤差相對來說會偏大，所以該模型可以進行 短期的預測有很好的效果。（3）神經(jīng)網(wǎng)絡模型無法表達和分析被預測系統(tǒng)的輸出層和輸入層之間的關 系，預測人員無法參與預測過程，收斂速度慢，難以處理海量數(shù)據(jù)， 得到的網(wǎng)絡容錯能力差，算法不完備，同時在預測時，與擬合值相差 非常大，有一定的巧合性；．模型的改進：對于各種預測模型，每種模型都存在一定的優(yōu)缺點，像多元回歸于神經(jīng)網(wǎng)絡不能對未來進行直觀預測，只能預測歷年數(shù)據(jù)，所以可以將其分別于其他模型綜合考慮，比如像神經(jīng)網(wǎng)絡與最小二乘法的結合，神經(jīng)網(wǎng)絡與灰色理論模型結合評估等，都可以起到一定的預測效果。參考文獻[1] 姜啟源，謝金星，葉?。當?shù)學建模[M]．高等教育出版社，2003[2]韓中庚 ．數(shù)學建模方法及其應用[M]． 解放軍信息工程大學 第二版，2009[3]董長虹. MATLAB神經(jīng)網(wǎng)絡與應用 [M].國防工業(yè)出版社[4] 中國統(tǒng)計年鑒 2010[5]司守奎．數(shù)學建模算法大全[M].2003 [6]王澤文，樂勵華，[M].東華理工大學，2010附錄附錄一對原始數(shù)據(jù)滑動平均處理程序：x=1992:2011。y=[
教學教案相關推薦
鄂ICP備17016276號-1