(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 202211252733.5 (22)申请日 2022.10.13 (71)申请人 北京恒华龙信数据科技有限公司 地址 100088 北京市西城区德外新 风街2号 天成科技大厦B座9层9014室 (72)发明人 陈少坤　田明伟　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 刘翠香 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于混合机器学习的碳排放预测方法 及系统 (57)摘要 本发明公开了一种基于混合机器学习的碳 排放预测方法及系统， 获取与待预测时间段对应 的数据集合， 数据集合包括历史碳排放数据， 以 及待预测区域的常住人口总量、 人均国内生产总 值数据、 城市化率、 能耗强度、 能源结构和产业结 构； 通过目标组合模型对数据集合进行处理， 得 到碳排放预测结果； 其中， 目标组合模型为通过 目标计算权重对第一处理模型、 第二处理模型和 第三处理模 型进行组合得到的模 型， 第一处理模 型为单变量模 型， 第二处理模型和第三处理模型 为多变量模 型， 实现了将单变量时序预测和多变 量驱动因素模 型进行最优加权组合， 兼顾各个模 型的优点， 提升 了碳排放预测的准确性。 权利要求书2页 说明书8页 附图3页 CN 115423215 A 2022.12.02 CN 115423215 A 1.一种基于混合机器学习的碳 排放预测方法， 其特 征在于， 所述方法包括： 获取与待预测时间段对应的数据集合， 所述数据集合包括历史碳排放数据， 以及待预 测区域的常住人口总量、 人均国内生产总值数据、 城市化率、 能耗强度、 能源结构和产业结 构； 通过目标组合模型对所述数据集 合进行处 理， 得到碳 排放预测结果； 其中， 所述目标组合模型为通过目标计算权重对第一处理模型、 第二处理模型和第三 处理模型进行组合得到的模型， 所述第一处理模型为基于历史碳排放数据生成的单变量模 型， 所述第二处理模型和所述第三模型为基于历史碳排放数据， 以及待预测区域的常住人 口总量、 人均国内生产总值数据、 城市化率、 能耗 强度、 能源 结构和产业结构的多变量模型， 且所述第二处 理模型和所述第三处 理模型的模型 结构不同。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取预先采集的历史碳 排放数据； 对所述历史排放数据按照时间维度进行划分， 确定所述历史碳排放数据中的特征值和 训练目标值； 基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练， 直 至训练结果满足目标 条件， 得到第一处 理模型。 3.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取训练数据， 所述训练数据包括历史碳排放数据， 以及待预测区域的常住人口总量、 人均国内生产总值数据、 城市化 率、 能耗强度、 能源结构和产业结构； 基于时间维度确定所述训练数据的训练目标值； 将所述训练数据输入至长短期记忆人工神经网络模型进行训练， 直至训练结果与 所述 训练目标值之间的误差满足目标 条件， 得到第二处 理模型。 4.根据权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练， 直至训 练结果与所述训练目标值之间的误差满足目标 条件， 得到第三处 理模型。 5.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括： 分别获得第 一处理模型、 第 二处理模型和第 三处理模型在训练过程中的预测值与训练 目标值之间的差值； 基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理， 确定 目标计算权 重， 所述目标处 理模式包括方差倒数处 理模式和残差倒数处 理模式； 根据所述目标计算权重对所述第 一处理模型、 所述第 二处理模型和所述第 三处理模型 进行组合， 得到目标组合模型。 6.一种基于混合机器学习的碳 排放预测系统， 其特 征在于， 所述系统包括： 获取单元， 用于获取与待预测时间段对应的数据集合， 所述数据集合包括历史碳排放 数据， 以及待 预测区域的常住人口总量、 人均国内生产总值数据、 城市化率、 能耗 强度、 能源 结构和产业结构； 处理单元， 用于通过目标组合模型对所述数据集 合进行处 理， 得到碳 排放预测结果； 其中， 所述目标组合模型为通过目标计算权重对第一处理模型、 第二处理模型和第三 处理模型进行组合得到的模型， 所述第一处理模型为基于历史碳排放数据生成的单变量模权　利　要　求　书 1/2 页 2 CN 115423215 A 2型， 所述第二处理模型和所述第三模型为基于历史碳排放数据， 以及待预测区域的常住人 口总量、 人均国内生产总值数据、 城市化率、 能耗 强度、 能源 结构和产业结构的多变量模型， 且所述第二处 理模型和所述第三处 理模型的模型 结构不同。 7.根据权利要求6所述的系统， 其特征在于， 所述系统还包括： 第一训练单元， 所述第一 训练单元用于： 获取预先采集的历史碳 排放数据； 对所述历史排放数据按照时间维度进行划分， 确定所述历史碳排放数据中的特征值和 训练目标值； 基于所述特征值和所述训练目标值输入至长短期记忆人工神经网络模型进行训练， 直 至训练结果满足目标 条件， 得到第一处 理模型。 8.根据权利要求6所述的方法， 其特征在于， 所述系统还包括： 第二训练单元， 所述第二 训练单元用于： 获取训练数据， 所述训练数据包括历史碳排放数据， 以及待预测区域的常住人口总量、 人均国内生产总值数据、 城市化 率、 能耗强度、 能源结构和产业结构； 基于时间维度确定所述训练数据的训练目标值； 将所述训练数据输入至长短期记忆人工神经网络模型进行训练， 直至训练结果与 所述 训练目标值之间的误差满足目标 条件， 得到第二处 理模型。 9.根据权利要求8所述的系统， 其特征在于， 所述系统还包括： 第三训练单元， 所述第三 训练单元用于： 将所述训练数据输入至基于卷积层的长短期记忆人工神经网络模型进行训练， 直至训 练结果与所述训练目标值之间的误差满足目标 条件， 得到第三处 理模型。 10.根据权利要求9所述的系统， 其特征在于， 所述系统还包括： 组合单元， 所述组合单 元具体用于： 分别获得第 一处理模型、 第 二处理模型和第 三处理模型在训练过程中的预测值与训练 目标值之间的差值； 基于目标处理模式对每一处理模型的预测值与训练目标值之间的差值进行处理， 确定 目标计算权 重， 所述目标处 理模式包括方差倒数处 理模式和残差倒数处 理模式； 根据所述目标计算权重对所述第 一处理模型、 所述第 二处理模型和所述第 三处理模型 进行组合， 得到目标组合模型。权　利　要　求　书 2/2 页 3 CN 115423215 A 3