我國(guó)二氧化碳排放量的研究-在線瀏覽
2024-08-08 18:38本頁(yè)面
【正文】 ．93%199425．01%199520．64%199615．85%199710．82%19982．12%19999．22%20000．19%200121．91%200216．19%20035．63%20043．06%20055．11%20063．39%20072．26%20082．2%20093．33%20105．28%20114．47%相對(duì)誤差檢驗(yàn)：令相對(duì)誤差為ε(k)，如果ε(k) 2%，則可認(rèn)為達(dá)到一般要求；如果ε(k) 1%，則認(rèn)為達(dá)到較高的要求。所以本文建立模型Ⅳ對(duì)20122015年的碳排放情況進(jìn)行預(yù)測(cè)。為了獲取一個(gè)較為精確的預(yù)測(cè)模型，首先建立了一個(gè)足夠大神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)多次試湊法，最后取網(wǎng)絡(luò)輸入層維數(shù)為6,隱層取7個(gè)隱節(jié)點(diǎn)，輸出層節(jié)點(diǎn)為1個(gè)，隱含層輸出采用sigmoid函數(shù)，輸出層采用線性函數(shù)單元。模型的建立包括兩個(gè)過(guò)程：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。只有一定的參考性。（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。（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。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。（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。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]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。y1=y(1:20,1)39。y3=y(1:20,3)39。y5=y(1:20,5)39。y7=y(1:20,7)39。plot(x,y3,39。,x,y5,39。,x,y6,39。,x,y7,39。,x,y8,39。)h=legend(39。,39。,39。,39。,39。)附錄二最小二乘法對(duì)數(shù)據(jù)擬合程序：a=[
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號(hào)-1