[發明專利]多因素碳排放核算方法和裝置

在審

• 申請號: 202210187457.2
• 申請日: 2022-02-28
• 公開（公告）號: CN114662282A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 鄧忠易;陸璐;冼允廷
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/18;G06N20/20;G06Q50/26
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 劉新容

1.一種多因素碳排放核算方法，其特征在于，包括：

選取影響碳排放量的多個驅動因素；

對每個驅動因素進行獨立建模，作為集成學習的基模型，對每個驅動因素的基模型進行集成學習，得到多因素線性加權表達式；

根據多因素線性加權表達式，量化各個驅動因素對碳排放量的貢獻程度。

2.如權利要求1所述的方法，其特征在于，在建模過程中，將驅動因素作為研究變量，遍歷自定義的研究變量，以當前研究變量作為自變量，碳排放總量作為因變量。

3.如權利要求2所述的方法，其特征在于，對每個驅動因素單獨構建地理加權回歸模型，作為集成學習的基模型，并根據每個驅動因素選取最佳的局部擬合帶寬，對碳排放量和當前驅動因素進行不同地理空間上的回歸。

4.如權利要求3所述的方法，其特征在于，對每個基模型進行k折交叉驗證，生成單維度的特征，并組合成集成學習階段所需的訓練數據集和測試數據集。

5.如權利要求4所述的方法，其特征在于，進入集成學習階段，構建邏輯回歸模型，作為集成學習的組合模型，并使用由所有基模型的生成特征組合成的集成學習訓練數據集和測試數據集進行訓練和驗證；組合模型訓練完成后，得到多因素線性加權表達式，將其中的自變量系數作為對應碳排放驅動因素在碳排放總量中的貢獻度量化值。

6.如權利要求4所述的方法，其特征在于，進行k折交叉驗證包括：

從平均分為k份的訓練集中取1份子集作為驗證集，其余k-1份子集作為本輪訓練集，對模型進行訓練；

訓練完成后，先對驗證集進行一次預測，再對測試集進行一次預測，依次循環k輪；

此時經過k折交叉驗證得到k份驗證集的預測值和k份測試集的預測值，將當前基模型的k份驗證集預測值縱向組合，作為集成學習訓練集中的一個特征維度，其樣本數量與原訓練集保持一致；

將當前基模型的k份測試集預測值取均值，作為集成學習的測試集中的一個特征維度，其樣本數量與原測試集保持一致，k折交叉驗證過程結束。

7.如權利要求4所述的方法，其特征在于，構建邏輯回歸模型的自變量數量與研究變量數量保持一致；數據集中的每個特征維度均由代表不同驅動因素的基模型生成，預測對象為真實的碳排放總量，則令邏輯回歸模型的自變量與驅動因素一一對應，最終學習得到全部基模型的線性加權表達式，將表達式中的自變量系數作為研究變量在碳排放總量中的權重，即可量化每個驅動因素對碳排放總量的影響程度。

8.一種多因素碳排放核算方法，其特征在于，包括：

多因素獨立建模階段，包括對單個碳排放驅動因素構建獨立的地理加權回歸模型，作為基模型，還包括對基模型進行交叉驗證生成集成學習數據集的過程；

集成學習階段，包括對多個基模型構建邏輯回歸模型作為組合模型，并學習多個基模型的線性加權表達式的過程，還包括將線性加權表達式中自變量系數作為對應碳排放驅動因素對碳排放總量的貢獻度量化值。

9.一種用于執行權利要求1-8任意一項所述的方法的多因素碳排放核算裝置。

10.一種生成碳排放驅動因素對碳排放量的貢獻度量化值的方法，其特征在于，包括：

提供權利要求9所述的裝置；

提供影響碳排放量的多個驅動因素；

所述裝置根據權利要求1-8任意一項所述的方法生成各個驅動因素對碳排放總量的貢獻度量化值。