(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210905299.X (22)申请日 2022.07.29 (71)申请人 暨南大学 地址 510632 广东省广州市天河区黄埔大 道西601号 (72)发明人 匡耀求　罗文杰　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 李斌 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于LMDI模型与GRU模型的区域碳排放预测 方法、 系统及 介质 (57)摘要 本发明公开了一种基于LMDI模型与GRU模型 的区域碳排放预测方法、 系统及介质。 该方法包 括收集区域能源消耗量并计算碳排放量； 利用 LMDI碳排放驱动因素分解模型， 分解出区域碳排 放驱动因素， 并基于此确定影 响因子； 搭建GRU神 经网络； 根据获取的影 响因子与区域碳排放量训 练GRU神经网络； 通过神经网络反向传播误差迭 代计算和优化参数； 利用训练好的GRU神经网络 预测的待测区域碳排放量。 本申请通过LMDI碳排 放驱动因素分解方法分解并筛选出与区域碳排 放相关的因素指标， 然后以分解后的碳排放驱动 因素为基础， 将因变量输入GRU神经网络模型， 从 而产生碳排放预测模型以预测区域碳排放量， 可 以解决传统的时间序列模型和数学核算的方法 无法解决的问题。 权利要求书2页 说明书6页 附图4页 CN 115293418 A 2022.11.04 CN 115293418 A 1.基于LMDI模型与GRU模型的区域 碳排放预测方法， 其特 征在于， 包括下述 步骤： 收集区域能源消耗 量并计算 碳排放量； 利用LMDI碳排放驱动因素分解模型， 分解出区域碳排放驱动因素， 并基于此确定影响 因子； 搭建GRU神经网络； 根据获取的影响因子与区域 碳排放量训练GRU神经网络； 通过神经网络反向传播 误差迭代计算和优化 参数； 利用训练好的GRU神经网络预测的待测区域 碳排放量。 2.根据权利要求1所述的基于LMDI模型与GRU模型的区域碳排放预测方法， 其特征在 于， 所述收集区域能源消耗 量并计算 碳排放量具体为： 收集区域能源消耗量， 并根据能源碳排放系数表， 计算出相应类型能源的碳排放量， 得 出区域总碳 排放量。 3.根据权利要求1所述的基于LMDI模型与GRU模型的区域碳排放预测方法， 其特征在 于， 所述利用LMDI碳排放 驱动因素分解模 型， 分解出区域碳排放 驱动因素， 并基于此确定影 响因子， 具体为： 将区域碳排放分为产业部门、 电力部门以及生活部门， 并分别基于LMDI碳排放驱动因 素分解模型对每 个部门的碳 排放驱动因素进行分解筛 选； 确定碳排放预测模型的影响因子， 具体包括： 城市化水平UL、 能源消费结构ES、 产业结 构IS、 人均GD PPGDP、 环境保护投入占比IEP、 火力发电占比TP、 发电量PG、 能源消费强度EI。 4.根据权利要求1所述的基于LMDI模型与GRU模型的区域碳排放预测方法， 其特征在 于， 所述GRU神经网络包括输入层、 GRU循环层以及输出层； 所述GRU循环层包括若干个神经 元， 每个神经元为一个门递归 长短期记忆模块， 包括 更新门rt与重置门zt， 数据通过GRU神经 网络进行 前向传播， 具体如下： 更新门rt＝σ(Wr·[ht‑1， xt]+br)； 重置门zt＝σ(Wz·[ht‑1， xt]+bz)； 候选隐含状态 隐含状态 GRU神经网络 输出值yt＝σ(Wy·ht+by)； 其中， xt为t时刻的输入， ht为隐藏层 输出， ht‑1为上一时刻的隐藏层 输出， tanh为双曲正 切函数， σ 为sigmoid函数， Wr、 Wz、 Wh和Wy分别为重置门、 更新门、 候选隐含状态函数和输出函 数的权重矩阵， br、 bz、 bh和by分别为重置门、 更新门、 候选隐含状态函数和输出函数的偏移 向量。 5.根据权利要求1所述的基于LMDI模型与GRU模型的区域碳排放预测方法， 其特征在 于， 根据获取的影响因子与区域 碳排放量训练GRU神经网络， 具体为： 将获取的影响因子进行归一 化处理， 如下式： 权　利　要　求　书 1/2 页 2 CN 115293418 A 2其中， 为第i种影响因子归一化后的值， xi为第i种影响因子的值， 为第i种影 响因子的最大值， 为第i种影响因子的最小值； 将归一化后的影响因子与区域碳排放量分为训练组与测试组， 训练组作为训练数据用 于训练GRU神经网络 。 6.根据权利要求1所述的基于LMDI模型与GRU模型的区域碳排放预测方法， 其特征在 于， 所述通过神经网络反向传播 误差迭代计算和优化 参数， 具体为： 通过神经网络反向传播 误差不断计算和优化相关参数； 选用Adam优化器， 损失函数选用MSE， 评价指标选用MAPE与R2； 对比每次训练后的MSE、 MAPE与R2， 不断优化神经网络参数， 选出最优的训练次数和神经网络参数， 其中： 其中yi表示真实值， 表示预测值； 其中yi表示真实值， 表示预测值； 其中yi表示真实值， 表示预测值， 表示均值。 7.基于LMDI模型与GRU模型的区域碳排放预测系统， 其特征在于， 应用于权利要求1 ‑6 中任一项所述的基于LMDI模 型与GRU模 型的区域碳排放预测方法， 包括数据收集模块、 因素 分解模块、 模型构建模块、 模型训练模块、 参数优化模块以及预测模块； 数据收集模块， 用于收集区域能源消耗 量并计算 碳排放量； 因素分解模块， 用于根据MDI碳排放驱动因素分解模型， 分解出区域碳排放驱动因素， 并基于此确定影响因子； 模型构建模块， 用于搭建 GRU神经网络； 模型训练模块， 用于根据获取的影响因子与区域 碳排放量训练GRU神经网络； 参数优化模块， 用于通过神经网络反向传播 误差迭代计算和优化 参数； 预测模块， 用于根据训练好的GRU神经网络预测的待测区域 碳排放量。 8.一种存储介质， 存储有程序， 其特征在于： 所述程序被处理器执行时， 实现权利要求 1‑6任一项所述的基于LMDI模型与GRU模型的区域 碳排放预测方法。权　利　要　求　书 2/2 页 3 CN 115293418 A 3