文档名：基于GWOLSTM模型的辽宁省工业碳排放预测及影响因素研究
摘要：科学预测工业碳排放对于低碳发展具有重要意义.基于灰色关联分析法,选择人口、人均工业GDP、城市化率、能源消耗、工业开放程度作为辽宁省工业碳排放影响因素,并通过STIRPAT模型,定量分析各影响因素与碳排放量的关系,在此基础上建立灰狼优化算法优化的长短期记忆神经网络(GWO-LSTM)模型对辽宁省工业碳排放进行预测.研究结果表明:人口,城市化,能源消耗,人均工业GDP,工业开放程度每增加1％,碳排放量将相应增加1.04％,0.81％,0.38％,0.27％,0.18％;GWO-LSTM工业碳排放预测模型的决定系数为0.9968,高于原始的LSTM预测模型以及SVR预测模型.
作者：王文佳 潘昊 王国刚Author：WangWenjia PanHao WangGuogang
作者单位：沈阳化工大学信息工程学院,辽宁沈阳110142
刊名：环境科学与管理
Journal：EnvironmentalScienceandManagement
年，卷(期)：2024, 49(1)
分类号：X321
关键词：碳排放预测 STIRPAT模型 灰狼优化算法 长短期记忆神经网络
Keywords：carbonemissionsforecasting STIRPATmodel greywolfoptimizationalgorithm longandshort-termmemoryneuralnetworks
机标分类号：TP391.1F234.4TP183
在线出版日期：2024年3月1日
基金项目：国家重点研发计划基于GWO-LSTM模型的辽宁省工业碳排放预测及影响因素研究[
期刊论文] 环境科学与管理--2024, 49(1)王文佳 潘昊 王国刚科学预测工业碳排放对于低碳发展具有重要意义.基于灰色关联分析法,选择人口、人均工业GDP、城市化率、能源消耗、工业开放程度作为辽宁省工业碳排放影响因素,并通过STIRPAT模型,定量分析各影响因素与碳排放量的关系,在此基...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于GWO-LSTM模型的辽宁省工业碳排放预测及影响因素研究 Prediction of Industrial Carbon Peaking in Liaoning Province based on GWO-LSTM Model
基于GWO-LSTM模型的辽宁省工业碳排放预测及影响因素研究.pdf
- 文件大小:
- 1.3 MB
- 下载次数:
- 60
-
高速下载
|
|
