(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 202211247187.6 (22)申请日 2022.10.12 (71)申请人 广东工业大 学 地址 510062 广东省广州市越秀区东 风东 路729号 (72)发明人 李志生　金宇凯　杨志超　李泽宇　 王晓霞　林明浩　赵嘉　 (74)专利代理 机构 广东广信君达律师事务所 44329 专利代理师 江金城 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) (54)发明名称 一种基于深度学习的碳 排放预测方法 (57)摘要 本发明公开了一种基于深度学习的碳排放 预测方法， 包括以下步骤： 采集与二氧化碳有关 的数据； 对采集到的数据进行预处理， 构造城市 逐年的历史碳排放数据； 从采集到的数据中分析 预测变量； 将得到的预测变量输入到预训练完成 的卷积神经网络中， 提取特征； 构建LSTM碳排放 预测模型； 通过构造得到的城市逐年的历史碳排 放数据训练LSTM碳排放预测模型； 将提取到的特 征输入到训练完成的LS TM碳排放预测模型中， 得 到碳排放预测结果。 本发明一方面提出灰色关联 分析来选择城市历史碳排放复杂的多维特征和 短期近邻性特征， 另一方面使用了神经网络来进 行预测， 不仅预测时间跨度较长， 而且预测精度 较高。 权利要求书2页 说明书7页 附图4页 CN 115526296 A 2022.12.27 CN 115526296 A 1.一种基于深度学习的碳 排放预测方法， 其特 征在于， 包括以下步骤： 采集与二氧化 碳有关的数据； 对采集到的数据进行 预处理， 构造城市逐年的历史碳 排放数据； 从采集到的数据中分析 预测变量； 将得到的预测变量输入到预训练完成的卷积神经网络中， 提取 特征； 构建LSTM碳 排放预测模型； 通过构造得到的城市逐年的历史碳 排放数据训练LSTM碳 排放预测模型； 将提取到的特 征输入到训练完成的LSTM碳 排放预测模型中， 得到碳 排放预测结果。 2.根据权利要求1所述的一种基于深度 学习的碳排放预测方法， 其特征在于， 采集与二 氧化碳有关的数据包括： 所在城市的经济和能源数据、 气象监测站监测得到的历史数据以 及城市历年的碳 排放数据。 3.根据权利要求2所述的一种基于深度 学习的碳排放预测方法， 其特征在于， 城市历年 的碳排放数据通过碳 排放系数法计算 求得， 碳排放量计算公式如下： 式中： Edir指产生的直接碳排放量； i指能源的类 型； fi指居民直接生活第i类能源的消耗 量； ei指居民直接 生活第i类能源的平均低位发热量； ci指居民直接生活第i类能源的单位 热 值含碳量； oi指居民直接生活第i类能源的碳氧化 率； 44/12为碳转换为二氧化碳的系数。 4.根据权利要求1所述的一种基于深度 学习的碳排放预测方法， 其特征在于， 对采集到 的数据进 行预处理包括： 导入原始 碳排放时间序列数据， 将训练集与测试集进 行划分； 归一 化处理原始数据， 利用四分位异常检测算法， 对原始数据进 行检测； 构造城市逐年的历史碳 排放数据。 5.根据权利要求1所述的一种基于深度 学习的碳排放预测方法， 其特征在于， 采用灰色 关联分析 方法， 从采集到的数据中分析 预测变量， 具体包括： A1、 数据标准 化； 采用最大最小值标准 化方法： 其中， x′ij表示第i行第j列的原数值， min(x ′j)表示第j列 数据中的最小值， max(x ′j)表 示第j列数据中的最大值， rij表示标准 化数值； A2、 计算灰色 关联度： 其中， 分别为极差最小值和极 差最大值， ρ 为分辨 率。 6.根据权利要求1所述的一种基于深度 学习的碳排放预测方法， 其特征在于， 卷积神经权　利　要　求　书 1/2 页 2 CN 115526296 A 2网络包括卷积层与池化层； 卷积层的特 征图C表示如下： 其中， X为输入的数据， 为卷积操作， W为卷积核的权重向量， b表示偏移量， f()为激 活函数； 池化层对卷积层的输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数 量。 7.根据权利要求1所述的一种基于深度学习的碳排放预测方法， 其特征在于， LSTM碳排 放预测模型包括输入门、 遗 忘门、 输出门和记 忆单元； 其中， 输入门 遗忘门 输出门 当前隐藏状态的输出 单元状态值 输入门相关状态值 同一时刻t的输入门i(t)、 遗忘门f(t)和输出门o(t)形式一致， 有共同的输入， 权重矩阵参 数不同； σ 代表Sigmoid函数， 将原始数据映射至[0， 1]； 而公式中c(t)为卷积神经网络的结 构， 将当前时刻的c(t)与输入门i(t)进行元素相乘， 前一时刻的c(t‑1)与遗忘门f(t)进行元素相 乘， 再将两者叠加起来， 得到当前时刻的单元状态值c(t)； 通过输入门和 遗忘门控制新状态 值的“通过”和前一状态值的 “遗忘”； 最后再通过输出门o(t)来控制当前状态值的输出。权　利　要　求　书 2/2 页 3 CN 115526296 A 3