(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 202211028980.7 (22)申请日 2022.08.25 (71)申请人 北京师范大学 地址 100044 北京市海淀区新 街口外大街 19号 (72)发明人 李永平　周柄邑　黄国和　李延峰　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 陈波 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06F 17/11(2006.01) G06F 17/10(2006.01) (54)发明名称 一种基于投入产出和贝叶斯神经网络的城 市系统碳 排放预测方法 (57)摘要 本发明公开了一种基于投入产出和贝叶斯 神经网络的城市系统碳排放预测方法， 包括： 确 定城市各部门碳排放量， 计算碳排放投入产出 表， 确定关键的碳排放部门和主要能源消耗因 子， 计算这些部门的经济占比和能耗因子； 建立 考虑经济发展与能源消耗的城市碳排放预测模 型； 根据各碳排放关键部门和能源消耗因子的历 史数据， 以及城市未来发展规划， 设计高、 中、 低 三个未来情景； 求解耦合模型， 量化不同情景下 对城市碳排放量的影响， 判断在何种发展模式下 城市碳排放可以达到预定的要求。 本发明在城市 能源与经济系统中引入合理、 科学的分析预测模 型， 能够更加有效地对决策方案的生成提供技术 支撑。 权利要求书3页 说明书6页 附图3页 CN 115310712 A 2022.11.08 CN 115310712 A 1.一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法， 其特征在于， 包 括以下步骤： 步骤A： 确定城市各部门碳排放量， 计算碳排放投入产出表， 确定关键的碳排放部门和 主要能源消耗因子， 计算 这些部门的经济占比和能耗因子； 步骤B： 建立 考虑经济发展与能源消耗的城市碳 排放预测模型， 具体过程 为： 将价值流矩阵与实际物流矩阵之间的转换关系表示 为如式(1)所示： T+ εV＝ εD                          (1)； 将碳排放强度表示 为如式(2)所示： ε＝T(D‑V)‑1                         (2)； 将城市各部门之间的碳 流入与流出表示 为如式(3)所示： 将直接排 放系数表示 为如式(4)所示： 将网络效用分析表示 为如式(5)、 (6)所示： U＝U0+U1+U2+…Ul+…＝(I‑D)‑1        (6)， 将网络控制分析表示 为如式(7)、 (8)、 (9)所示： cnji＝nji/n′ij                          (7)， 式(1)‑(9)中， V是部门之间 的价值流； D是每个部门总产出的对角线矩阵； T是流入或流 出该部门的初始资源或废物； ε代表各部门的碳排放强度fij是从i部门到j部门的二氧化碳 流量； Giin是流入部门i的二氧化碳总量,Giout是从部门i流出的二氧化碳总量； zi和yi分别表 示流入和流出网络的部门i的边界输入和输出； γ是直接排放系数； Tj是系统处于稳定状态 时系统j部门的输入量； dij是部门i到 部门j的净流 量； 步骤C： 根据各碳排放关键部门和能源消耗因子的历史数据， 以及城市未来发展规划， 分别设计高、 中、 低三个未来情景； 步骤D： 求解耦合模型， 量化不同情景下对城市碳排放量的影响， 判断在何种发展模式 下城市碳 排放可达到预定的要求。 2.根据权利要求1所述的一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测 方法， 其特 征在于， 步骤A中所述确定关键的碳 排放部门和主 要能源消耗因子的方法包括：权　利　要　求　书 1/3 页 2 CN 115310712 A 2将皮尔逊相关系数表示 为如式(10)所示： 将肯德尔相关系数表示 为如式(1 1)所示： 将斯皮尔曼相关系数表示 为如式(12)所示： 式(10)‑(12中， xi是自变量的值， yi是因变量的值； P是具有两个属性值相同排列的对象 的对数， n是对象数； 是自变量的平均值， 是因变量的平均值。 3.根据权利要求1所述的一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测 方法， 其特征在于， 步骤B中所述建立经济发展与能源消耗的城市碳排放预测模 型的过程进 一步包括： 将目标函数设定为如式(13) ‑(15)所示： F(w)＝β FD(w)+α Fw(w)                (13)， 其中， FD(w)是误差函数， Fw(w)是权值衰减项； D是具有N个样本的训练集， D＝{xk,tk； k＝ 1…N}； w为权重， 包括偏差值； xk第k个输入向量； yk是网络的实际输出； tk是目标输出； M为权 重数； t、 α 和β 分别是误差函数的系数， 将α 和β 的优化 为如式(16)、 (17)、 (18)所示： γ＝M‑α TraceA‑1                   (18)， 其中， γ是网络所需的有效参数； A是目标函数 F(W)的Hes sian矩阵； 将权重w的后验分布 表示为如式(19)所示： 其中， ZM( α, β )是与w无关的归一 化因子； 将网络的输出分布 表示为如式(20)、 (21)所示：权　利　要　求　书 2/3 页 3 CN 115310712 A 3