文档介绍：碳排放预测摘要 碳排放问题在我国已引起广泛的关注,为制定有效的碳减排路径提供决策依据,现需对外来几年的碳排放进行预测,题中需要我们采用多个模型进行预测,其中GM(1,1)、BP神经网络是必须采用的方法,第三种预测模型我们采用了多元线性回归进行预测。 模型一,GM(1,1)预测碳排放模型。本文收集了从1985—2010年26年的碳排放总量的数据,刚开始的时候将26年的数据都拿进去进行预测,但相对误差太大,故考虑到减少一部分数据,降低相对误差,最后利用1995—2010年的数据进行预测,相对误差达到了9%。然后通过相关度检验及后验差检验都是非常好的。并且求解预测出将来5年的碳排放总量,结果在下表。模型二,BP神经网络预测碳排放模型。在分析各项影响因素时,提取了下面七个因子:全国GDP、人口总数、城镇化、第三产业所占比率、能源强度能源消费总量、煤炭煤炭石油所占百分比、实际碳排放。并且利用模型一GM(1,1)预测各因子2011年—2015年的数据,最后利用BP神经网络进行预测,结果在下表。利用权重对各影响因素进行分析,发现城镇化及能源强度为主要影响因素。模型三,多元线性回归预测碳排放模型。在分析各项影响因素时,提取了下面4个影响因子:人均GDP、人口总数、城镇化、能源强度能源消费总量。利用SPSS对各个因子进行拟合得到未来几年的预测数据,。应用各模型对碳排放总量进行预测年份20112012201320142015GM(1,1),只有BP神经网络在未来是有下降的趋势了,故有两种可能,结合实际现对碳排放的控制逐渐上升,故BP预测有一定的可取性,在2011年中GM(1,1)与BP相近,故在此预测2011年的碳排放为88亿吨左右。关键词碳排放预测GM(1,1)BP神经网络多元线性回归1问题的重述中国是世界上能源生产与消费大国。碳排放问题在我国已引起广泛的关注,“十二五”规划中明确提出要“节约能源,降低温室气体排放强度”。要实现这一目标,需要对碳排放的影响因素进行深入分析,构建科学的预测模型来对未来碳排放进行预测,为制定有效的碳减排措施提供决策依据。请先收集中国历年碳排放及其影响因素的数据(收集至少近20年的相关数据),然后根据收集的数据建立至少3种定量预测模型(其中GM(1,1)和BP神经网络模型必需,其它可考虑微分方程、多元回归分析等)来对未来中国碳排放进行预测,并结合若干性能评价指标对模型进行分析比较,并指出影响碳排放的主要因素,向有关部门提出具体建议。2模型的基本假设1)所有收集的数据是真实可信的;2)假设只考虑对碳排放有影响的几个主要因素可以对未来几年的碳排放进行有效的预测,即可以暂不考虑那些次要的影响因素;3)假设我国碳排放是以某种趋势变化的,无自然的突发因素来影响碳排放;3符号说明:GM(1,1)中初始数据序列。:GM(1,1)中对累加数据序列。:GM(1,1)中的紧邻生成序列。:GM(1,1)中相对误差序列。:GM(1,1)中相关度检验残差序列。:GM(1,1)中后验差检验均方差比值。:GM(1,1)中后验差检验的小概率误差。:BP神经网络中输入层节点数。:BP神经网络中输出层节点数。:BP神经网络中隐层神经元个数。:多元线性回归中因变量碳排放总量。:多元线性回归中自变量人口总数:多元线性回归中自变量城镇化:多元线性回归中自变量人均GDP:,碳排放的问题在我国已经引起广泛的关注,“十二五”规划中明确提出要“节约能源,降低温室气体排放强度”。要实现这一目标,就需要对碳排放的影响因素进行分析,然后构建预测模型对未来几年的碳排放进行预测,从而为制定碳减排路径提供决策依据。现建立三个模型,分别对将来五年的数据进行预测,三个模型分别为GM(1,1)、BP神经网络、回归分析。——模型一控制理论中信息的多少常常用系统颜色的深浅来表示,灰色介于黑白之间,即部分信息已知,部分信息未知。灰色模型(GrayModel,GM)是通过数据序列建立微分模型来拟合给定的时间序列数据,从而对数据的发展趋势进行预测。灰色建模常用的模型是GM(1,N),其中,1代表微分方程的阶数,N代表变量的个数是N个。本文中采用最简单的灰色模型GM(1,1).(1,1)预测模型建模原理定理一:设序列,且为非负序列灰微分方程,,其中为原始数据序列为的序列,为