我國(guó)二氧化碳排放量的研究(編輯修改稿)
2024-07-25 18:38 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 性函數(shù)單元。模型訓(xùn)練中采用6個(gè)影響因素19922009年的指標(biāo)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練樣本有18個(gè)，以20102011年數(shù)據(jù)作為測(cè)試樣本。模型的建立包括兩個(gè)過(guò)程： ①學(xué)習(xí)訓(xùn)練過(guò)程：用樣本組數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,經(jīng)過(guò)一定的迭代次數(shù)，系統(tǒng)平均誤差達(dá)到已設(shè)定的精度后，獲得穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)、連接權(quán)值、節(jié)點(diǎn)閾值。在本例中，訓(xùn)練的18個(gè)樣本，分別是從1992年開(kāi)始用6個(gè)因素的指標(biāo)數(shù)據(jù)預(yù)測(cè)各年的碳排放量， 1992—2009年數(shù)據(jù)訓(xùn)練前后的數(shù)據(jù)值年份訓(xùn)練前訓(xùn)練后仿真預(yù)測(cè)19921993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ②模型測(cè)試過(guò)程：將測(cè)試樣本輸入到訓(xùn)練后的網(wǎng)絡(luò)，得到20102011年預(yù)測(cè)值，： BP神經(jīng)網(wǎng)絡(luò)對(duì)碳排放的真實(shí)值與預(yù)測(cè)值的比較年份20102011真實(shí)值預(yù)測(cè)值百分絕對(duì)誤差%%通過(guò)圖表比較，%，證明本模型具有一般的精準(zhǔn)度。在以后知道各個(gè)因素值的情況下，可以得出較一定的預(yù)測(cè)值。只有一定的參考性。2．BP神經(jīng)網(wǎng)絡(luò)模型的求解 ，預(yù)測(cè)的精確度較高，可以用來(lái)對(duì)未來(lái)數(shù)據(jù)的預(yù)測(cè)（圖55），對(duì)20122015年的能源消費(fèi)排放量進(jìn)行預(yù)測(cè)數(shù)據(jù)如下表（）： 2012—2015年碳排放量預(yù)測(cè)數(shù)值年份2012201320142015預(yù)測(cè)值對(duì)于中國(guó)的能源總碳排放量，檢驗(yàn)得出通過(guò)多次訓(xùn)練都可以給出較準(zhǔn)確的預(yù)測(cè)值。（程序見(jiàn)附錄四）圖55 BP網(wǎng)絡(luò)模型預(yù)測(cè)圖．模型的比較與分析： 各種模型對(duì)我國(guó)碳排放總量預(yù)測(cè)值年份最小二乘法多元回歸分析ＧＭ(１,１)灰色預(yù)測(cè)ＢＰ神經(jīng)網(wǎng)絡(luò)2012201320142015由以上各模型的求解過(guò)程中可知，多元回歸分析、GM（1,1）灰色預(yù)測(cè)、BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的值精準(zhǔn)性較一般，因此本文認(rèn)為最小二乘法預(yù)測(cè)的20122015年我國(guó)碳排放總量較為精確。根據(jù)最小二乘法預(yù)測(cè)可知，未來(lái)幾年變化趨勢(shì)見(jiàn)圖56。（程序見(jiàn)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(diǎn)圖分析：能源消費(fèi)CO2排放量的主要影響因素是工業(yè)和交通運(yùn)輸業(yè)，在經(jīng)濟(jì)規(guī)?？偭吭龃蟮挠绊懏?dāng)中，工業(yè)規(guī)模的快速增長(zhǎng)是能源消費(fèi)CO2排放量增加的主要貢獻(xiàn)因素( )，%；%居二。因此，減緩CO2排放最有效的方法是適當(dāng)減少工業(yè)規(guī)?；蜣D(zhuǎn)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(yùn)輸?shù)刃袠I(yè)的碳排放量。6 模型評(píng)價(jià)與推廣．模型評(píng)價(jià)：優(yōu)點(diǎn)：（1）最小二乘法擬合可以簡(jiǎn)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(shí)值之間誤差的平方和為最小。（2）神經(jīng)網(wǎng)絡(luò)模型逼近效果好，計(jì)算速度快，不需要建立模型，擬合精度 高；（3）灰色理論模型預(yù)測(cè)誤差范圍較小，預(yù)測(cè)比較精確；（4）利用處理數(shù)據(jù)編寫(xiě)程序方便直觀易于分析結(jié)果；缺點(diǎn)：（1） 多元線性回歸只能對(duì)現(xiàn)有的數(shù)據(jù)進(jìn)行預(yù)測(cè)，若影響因素未知，則不能 對(duì)未來(lái)幾年進(jìn)行合理的預(yù)測(cè)；（2）GM(1,1)在長(zhǎng)期的預(yù)測(cè)中誤差相對(duì)來(lái)說(shuō)會(huì)偏大，所以該模型可以進(jìn)行 短期的預(yù)測(cè)有很好的效果。（3）神經(jīng)網(wǎng)絡(luò)模型無(wú)法表達(dá)和分析被預(yù)測(cè)系統(tǒng)的輸出層和輸入層之間的關(guān) 系，預(yù)測(cè)人員無(wú)法參與預(yù)測(cè)過(guò)程，收斂速度慢，難以處理海量數(shù)據(jù)， 得到的網(wǎng)絡(luò)容錯(cuò)能力差，算法不完備，同時(shí)在預(yù)測(cè)時(shí)，與擬合值相差 非常大，有一定的巧合性；．模型的改進(jìn)：對(duì)于各種預(yù)測(cè)模型，每種模型都存在一定的優(yōu)缺點(diǎn)，像多元回歸于神經(jīng)網(wǎng)絡(luò)不能對(duì)未來(lái)進(jìn)行直觀預(yù)測(cè)，只能預(yù)測(cè)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(luò)與最小二乘法的結(jié)合，神經(jīng)網(wǎng)絡(luò)與灰色理論模型結(jié)合評(píng)估等，都可以起到一定的預(yù)測(cè)效果。參考文獻(xiàn)[1] 姜啟源，謝金星，葉?。?dāng)?shù)學(xué)建模[M]．高等教育出版社，2003[2]韓中庚 ．?dāng)?shù)學(xué)建模方法及其應(yīng)用[M]． 解放軍信息工程大學(xué) 第二版，2009[3]董長(zhǎng)虹. MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用 [M].國(guó)防工業(yè)出版社[4] 中國(guó)統(tǒng)計(jì)年鑒 2010[5]司守奎．?dāng)?shù)學(xué)建模算法大全[M].2003 [6]王澤文，樂(lè)勵(lì)華，[M].東華理工大學(xué)，2010附錄附錄一對(duì)原始數(shù)據(jù)滑動(dòng)平均處理程序：x=1992:2011。y=[
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號(hào)-1