基于机器学习的建筑业二氧化碳排放预测模型研究
发布时间：2021-10-31 14:24
如今全球碳排放问题日趋严重,中国正在积极推动各产业实现低碳和绿色化发展。建筑行业是实现节能减排目标的重点领域。实现建筑业的低碳发展的基础工作是进行行业CO2排放量测算和预测,提高CO2排放预测模型精度对帮助建筑业部门实现节能减排有重要意义。本文拟基于具有非线性处理优势的BP神经网络和支持向量机算法,开展基于机器学习的建筑业二氧化碳排放智能预测模型研究。本文首先对建筑业二氧化碳排放现状进行分析,对建筑业二氧化碳排放边界进行界定,并在此基础上建立建筑业二氧化碳排放测算模型,得到各年建筑业二氧化碳排放量数据;通过文献的调研选取12个建筑业二氧化碳排放因素,并基于随机森林算法对影响因素进行选择,发现建筑业房屋竣工面积为最重要影响因素,并确定GDP、建筑业总产值、建筑业房屋竣工面积、建筑业劳动生产率、建筑企业从业人数、建筑业一次能源消耗量作为建筑业二氧化碳排放预测模型的输入变量。其次针对传统预测模型在建筑业二氧化碳排放预测中的不足,本文提出BP神经网络和支持向量机两种预测模型并对其进行仿真模拟,以平均相对误差、平均绝对误差、均方根误差和2
【文章来源】：西安建筑科技大学陕西省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
影响因素重要度
西安建筑科技大学硕士学位论文26图4.1神经元模型用于网络训练学习的算法很大程度上决定了神经元的结构方式。所以神经网络设计中使用的学习算法也被认为是结构化的。神经网络根据网络体系结构的不同通常分为三类[96]:①单层前馈网络单层前馈网络是结构最简的层次性神经网络，它的网络结构中不出现隐藏层，由输入层将输入信号传递到输出层。单层前馈神经网络的结构如图4.2所示：图4.2单层神经网络结构②多层前馈网络在网络结构方面，和单层网络相比，多层前馈神经网络增加了隐藏层，关于隐藏层层数的确定没有理论可参考，一般按照输入数据特点进行确定。隐藏层中的神经元即为隐藏神经元。其作用为根据需要调节输入信号和输出信号之间的关联。神
西安建筑科技大学硕士学位论文26图4.1神经元模型用于网络训练学习的算法很大程度上决定了神经元的结构方式。所以神经网络设计中使用的学习算法也被认为是结构化的。神经网络根据网络体系结构的不同通常分为三类[96]:①单层前馈网络单层前馈网络是结构最简的层次性神经网络，它的网络结构中不出现隐藏层，由输入层将输入信号传递到输出层。单层前馈神经网络的结构如图4.2所示：图4.2单层神经网络结构②多层前馈网络在网络结构方面，和单层网络相比，多层前馈神经网络增加了隐藏层，关于隐藏层层数的确定没有理论可参考，一般按照输入数据特点进行确定。隐藏层中的神经元即为隐藏神经元。其作用为根据需要调节输入信号和输出信号之间的关联。神
【参考文献】：
期刊论文
[1]基于系统动力学的中国建筑业碳排放预测研究[J]. 赵冬蕾,刘伊生. 河南科学. 2019(12)
[2]基于超效率三阶段DEA模型的建筑业碳排放研究[J]. 宋金昭,陈策,王晓平,胡振. 环境科学与技术. 2019(01)
[3]中国二氧化碳排放峰值的情景预测及达峰特征——基于粒子群优化算法的BP神经网络分析[J]. 段福梅. 东北财经大学学报. 2018(05)
[4]中国建筑业优化升级对其碳排放影响的分阶段研究[J]. 樊琳梓,李爽,裴志海. 技术经济. 2018(08)
[5]基于系统动力学的建筑碳排放预测研究[J]. 刘菁,赵静云. 科技管理研究. 2018(09)
[6]基于STIRPAT模型的重庆市建筑碳排放影响因素研究[J]. 黄振华. 项目管理技术. 2018(05)
[7]遗传小波神经网络在机床碳排放预测中的应用[J]. 程乐棋,张华,鄢威,冯豪. 机械设计与制造. 2018(05)
[8]中国城镇化对建筑业碳排放影响的时空差异[J]. 卢娜,冯淑怡,陆华良. 北京理工大学学报(社会科学版). 2018(03)
[9]基于系统动力学的甘肃省碳排放峰值预测[J]. 孔佑花,王丽,郭志玲,姜云超,王博. 环境工程技术学报. 2018(03)
[10]中国建筑业碳排放强度影响因素分析[J]. 宋金昭,苑向阳,王晓平. 环境工程. 2018(01)
博士论文
[1]面向医学数据的随机森林特征选择及分类方法研究[D]. 姚登举.哈尔滨工程大学 2016
[2]建筑业二氧化碳排放及能源环境效率测算分析研究[D]. 冯博.天津大学 2015
[3]中国建筑能耗影响因素分析模型与实证研究[D]. 蔡伟光.重庆大学 2011
[4]我国城镇住宅空调生命周期能耗与资源消耗研究[D]. 李兆坚.清华大学 2007
硕士论文
[1]基于IGWO-SVM模型的河北省碳排放情景预测研究[D]. 杨帆.华北电力大学 2019
[2]我国建筑产业碳排放强度影响因素及减排策略研究[D]. 苑向阳.西安建筑科技大学 2018
[3]粒子群算法改进及其在旋风分离器结构优化中的应用[D]. 樊吕彬.太原理工大学 2017
[4]中国建筑业碳排放强度空间特征及其影响因素研究[D]. 王宁.长安大学 2017
[5]基于支持向量机的风电场风速预测方法研究[D]. 周会友.华北电力大学(北京) 2017
[6]改进网格搜索的支持向量机参数优化研究及应用[D]. 顾凯成.兰州理工大学 2016
[7]中国建筑行业碳排放测算及影响因素分解分析[D]. 陈进道.重庆大学 2016
[8]湖北省建筑碳排放情景预测与峰值调控研究[D]. 应华权.华中科技大学 2015
[9]基于LMDI和MV模型碳排放因素与预测的低碳城市建设研究[D]. 刘畅.华北电力大学 2013
[10]基于时间序列的电力系统短期负荷预测研究[D]. 万志宏.华南理工大学 2012
本文编号：3468296
【文章来源】：西安建筑科技大学陕西省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
影响因素重要度
西安建筑科技大学硕士学位论文26图4.1神经元模型用于网络训练学习的算法很大程度上决定了神经元的结构方式。所以神经网络设计中使用的学习算法也被认为是结构化的。神经网络根据网络体系结构的不同通常分为三类[96]:①单层前馈网络单层前馈网络是结构最简的层次性神经网络，它的网络结构中不出现隐藏层，由输入层将输入信号传递到输出层。单层前馈神经网络的结构如图4.2所示：图4.2单层神经网络结构②多层前馈网络在网络结构方面，和单层网络相比，多层前馈神经网络增加了隐藏层，关于隐藏层层数的确定没有理论可参考，一般按照输入数据特点进行确定。隐藏层中的神经元即为隐藏神经元。其作用为根据需要调节输入信号和输出信号之间的关联。神
西安建筑科技大学硕士学位论文26图4.1神经元模型用于网络训练学习的算法很大程度上决定了神经元的结构方式。所以神经网络设计中使用的学习算法也被认为是结构化的。神经网络根据网络体系结构的不同通常分为三类[96]:①单层前馈网络单层前馈网络是结构最简的层次性神经网络，它的网络结构中不出现隐藏层，由输入层将输入信号传递到输出层。单层前馈神经网络的结构如图4.2所示：图4.2单层神经网络结构②多层前馈网络在网络结构方面，和单层网络相比，多层前馈神经网络增加了隐藏层，关于隐藏层层数的确定没有理论可参考，一般按照输入数据特点进行确定。隐藏层中的神经元即为隐藏神经元。其作用为根据需要调节输入信号和输出信号之间的关联。神
【参考文献】：
期刊论文
[1]基于系统动力学的中国建筑业碳排放预测研究[J]. 赵冬蕾,刘伊生. 河南科学. 2019(12)
[2]基于超效率三阶段DEA模型的建筑业碳排放研究[J]. 宋金昭,陈策,王晓平,胡振. 环境科学与技术. 2019(01)
[3]中国二氧化碳排放峰值的情景预测及达峰特征——基于粒子群优化算法的BP神经网络分析[J]. 段福梅. 东北财经大学学报. 2018(05)
[4]中国建筑业优化升级对其碳排放影响的分阶段研究[J]. 樊琳梓,李爽,裴志海. 技术经济. 2018(08)
[5]基于系统动力学的建筑碳排放预测研究[J]. 刘菁,赵静云. 科技管理研究. 2018(09)
[6]基于STIRPAT模型的重庆市建筑碳排放影响因素研究[J]. 黄振华. 项目管理技术. 2018(05)
[7]遗传小波神经网络在机床碳排放预测中的应用[J]. 程乐棋,张华,鄢威,冯豪. 机械设计与制造. 2018(05)
[8]中国城镇化对建筑业碳排放影响的时空差异[J]. 卢娜,冯淑怡,陆华良. 北京理工大学学报(社会科学版). 2018(03)
[9]基于系统动力学的甘肃省碳排放峰值预测[J]. 孔佑花,王丽,郭志玲,姜云超,王博. 环境工程技术学报. 2018(03)
[10]中国建筑业碳排放强度影响因素分析[J]. 宋金昭,苑向阳,王晓平. 环境工程. 2018(01)
博士论文
[1]面向医学数据的随机森林特征选择及分类方法研究[D]. 姚登举.哈尔滨工程大学 2016
[2]建筑业二氧化碳排放及能源环境效率测算分析研究[D]. 冯博.天津大学 2015
[3]中国建筑能耗影响因素分析模型与实证研究[D]. 蔡伟光.重庆大学 2011
[4]我国城镇住宅空调生命周期能耗与资源消耗研究[D]. 李兆坚.清华大学 2007
硕士论文
[1]基于IGWO-SVM模型的河北省碳排放情景预测研究[D]. 杨帆.华北电力大学 2019
[2]我国建筑产业碳排放强度影响因素及减排策略研究[D]. 苑向阳.西安建筑科技大学 2018
[3]粒子群算法改进及其在旋风分离器结构优化中的应用[D]. 樊吕彬.太原理工大学 2017
[4]中国建筑业碳排放强度空间特征及其影响因素研究[D]. 王宁.长安大学 2017
[5]基于支持向量机的风电场风速预测方法研究[D]. 周会友.华北电力大学(北京) 2017
[6]改进网格搜索的支持向量机参数优化研究及应用[D]. 顾凯成.兰州理工大学 2016
[7]中国建筑行业碳排放测算及影响因素分解分析[D]. 陈进道.重庆大学 2016
[8]湖北省建筑碳排放情景预测与峰值调控研究[D]. 应华权.华中科技大学 2015
[9]基于LMDI和MV模型碳排放因素与预测的低碳城市建设研究[D]. 刘畅.华北电力大学 2013
[10]基于时间序列的电力系统短期负荷预测研究[D]. 万志宏.华南理工大学 2012
本文编号：3468296
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3468296.html
