本發(fā)明涉及碳排放相關(guān)領(lǐng)域，具體涉及一種碳排放影響因素的獲取方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球經(jīng)濟(jì)的快速增長，碳排放量的迅速增加，對全球氣候變化和溫室效應(yīng)的加劇帶來了不可忽視的影響。氣候變暖正在改變天氣模式、破壞自然的正常平衡，而氣候變化又與碳排放息息相關(guān)。碳排放已經(jīng)導(dǎo)致溫度上升、海平面上升、濕地和海洋系統(tǒng)的破壞，并帶來生物多樣性的下降，因此，加強環(huán)境保護(hù)、減少碳排放是當(dāng)務(wù)之急。

2、碳排放影響因素對碳排放的影響涉及多個研究層面，與經(jīng)濟(jì)特征、能源消費方式、地理位置等內(nèi)外部環(huán)境因素有關(guān)，具有空間、時間高度復(fù)雜性的特點?，F(xiàn)有的碳排放影響因素識別方法包括傳統(tǒng)線性回歸分析法和非線性分析法，在傳統(tǒng)線性回歸分析法中，通常使用計量經(jīng)濟(jì)學(xué)結(jié)合stirpat(stochastic?impacts?by?regression?on?population,affluence,and?technology)模型進(jìn)行碳排放影響因素的分析；而非線性分析法包括使用灰色預(yù)測模型gm(1,1)進(jìn)行碳排放量的預(yù)測，以及基于lmdi(logarithmic?mean?divisiindex)模型的能源系統(tǒng)碳排放影響因素分析。但以上方式在數(shù)據(jù)處理過程中未消除對歷史數(shù)據(jù)或未來趨勢的依賴，而沒有充分考慮其他潛在的影響因素，導(dǎo)致結(jié)果過分依賴歷史數(shù)據(jù)和未來趨勢，而忽略潛在關(guān)鍵因素，導(dǎo)致識別不準(zhǔn)確；同時未考輸入數(shù)據(jù)的相似性、冗余多，計算量大。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)碳排放影響因素相似性大、冗余多、忽略潛在關(guān)鍵因素，導(dǎo)致識別不準(zhǔn)確的問題，本發(fā)明提出了一種碳排放影響因素的獲取方法，包括：

2、采用鄰域粗糙集屬性約簡算法對原始碳排放影響因素數(shù)據(jù)進(jìn)行約簡獲得初級目標(biāo)影響因素；

3、采用改進(jìn)主成分分析方法對所述初級目標(biāo)影響因素進(jìn)行篩選獲得目標(biāo)影響因素；

4、其中，所述改進(jìn)主成分分析方法包括相關(guān)性分析步驟和主成分分析步驟，所述相關(guān)性分析步驟用于對所述初級目標(biāo)影響因素進(jìn)行相關(guān)性分析獲得目標(biāo)相關(guān)性矩陣，所述主成分分析步驟用于對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素。

5、可選的，所述采用改進(jìn)主成分分析方法對所述初級目標(biāo)影響因素進(jìn)行篩選獲得目標(biāo)影響因素，包括：

6、對所述初級目標(biāo)影響因素進(jìn)行標(biāo)準(zhǔn)化處理獲得標(biāo)準(zhǔn)化矩陣；

7、對所述標(biāo)準(zhǔn)化矩陣進(jìn)行轉(zhuǎn)換獲得相關(guān)性矩陣；

8、基于相關(guān)性分析對所述相關(guān)性矩陣進(jìn)行篩選獲得目標(biāo)相關(guān)性矩陣；

9、對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素。

10、可選的，所述對所述標(biāo)準(zhǔn)化矩陣進(jìn)行轉(zhuǎn)換獲得相關(guān)性矩陣的轉(zhuǎn)換公式為：

11、

12、其中，r為相關(guān)性矩陣，xil和xlj分別表示標(biāo)準(zhǔn)化矩陣q中第i行和第j列變量的第l個觀測值，t為現(xiàn)有影響因素的個數(shù)，g為相關(guān)性矩陣的總行數(shù)或總列數(shù)。

13、可選的，所述對所述目標(biāo)影響因素進(jìn)行標(biāo)準(zhǔn)化處理獲得標(biāo)準(zhǔn)化矩陣，包括：

14、采用z分?jǐn)?shù)或最大最小值法對所述初級目標(biāo)影響因素進(jìn)行標(biāo)準(zhǔn)化處理獲得標(biāo)準(zhǔn)化矩陣。

15、可選的，所述基于相關(guān)性分析對所述相關(guān)性矩陣進(jìn)行篩選獲得目標(biāo)相關(guān)性矩陣，包括：

16、采用測量系統(tǒng)分析法對所述相關(guān)性矩陣中的元素進(jìn)行相關(guān)性分析；

17、對相關(guān)性分析的結(jié)果進(jìn)行排序，在所述相關(guān)性矩陣中舍棄對應(yīng)相關(guān)性分析的結(jié)果不在預(yù)設(shè)范圍內(nèi)的元素，得到目標(biāo)相關(guān)性矩陣。

18、可選的，所述對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素，包括：

19、獲取所述目標(biāo)相關(guān)性矩陣的特征根的累計方差貢獻(xiàn)率；

20、將所述累計方差貢獻(xiàn)率與預(yù)設(shè)值進(jìn)行比較獲得主成分個數(shù)；

21、對所述特征根由大到小進(jìn)行排序，獲得前主成分個數(shù)個特征根對應(yīng)的單位特征向量；

22、將所述單位特征向量作為系數(shù)對目標(biāo)相關(guān)性矩陣進(jìn)行線性變換，獲得主成分矩陣；

23、基于所述主成分矩陣獲得目標(biāo)影響因素。

24、可選的，所述基于所述主成分矩陣獲得目標(biāo)影響因素，包括：

25、將主成分矩陣中的每列權(quán)重大于該列對應(yīng)的預(yù)設(shè)值的影響因素保留，對保留的影響因素以此方式依次進(jìn)行后續(xù)列的篩選，得到最終的目標(biāo)影響因素。

26、可選的，所述采用鄰域粗糙集屬性約簡算法對原始碳排放影響因素數(shù)據(jù)進(jìn)行約簡獲得初級目標(biāo)影響因素，包括：

27、將原始碳排放影響因素作為鄰域粗糙集屬性約簡算法的條件屬性集，將碳排放強度作為鄰域粗糙集屬性約簡算法的決策屬性集；

28、隨機獲取所述條件屬性集的多個子集；

29、獲取每個子集相對于決策屬性集的重要度，基于所述重要度對多個所述子集進(jìn)行篩選獲得目標(biāo)子集，即初級目標(biāo)影響因素。

30、可選的，所述篩選過程包括：判斷所述子集是否同時滿足以下兩組條件，若是，則所述子集為初級目標(biāo)影響因素，其中，所述兩組條件包括：

31、條件一：決策屬性集關(guān)于該子集的依賴度與決策屬性集關(guān)于該條件屬性集的依賴度相等；

32、條件二：子集中的任意元素相對于決策屬性集的重要度大于0。

33、可選的，所述采用鄰域粗糙集屬性約簡算法對原始碳排放影響因素數(shù)據(jù)進(jìn)行約簡獲得初級目標(biāo)影響因素之前還包括：

34、采用z分?jǐn)?shù)法對原始碳排放影響因素數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

35、再一方面，本技術(shù)還提供了一種碳排放影響因素的獲取系統(tǒng)，包括：

36、初級目標(biāo)影響因素獲取模塊，用于采用鄰域粗糙集屬性約簡算法對原始碳排放影響因素數(shù)據(jù)進(jìn)行約簡獲得初級目標(biāo)影響因素；

37、目標(biāo)影響因素獲取模塊，用于采用改進(jìn)主成分分析方法對所述初級目標(biāo)影響因素進(jìn)行篩選獲得目標(biāo)影響因素；

38、其中，所述改進(jìn)主成分分析方法包括相關(guān)性分析步驟和主成分分析步驟，所述相關(guān)性分析步驟用于對所述初級目標(biāo)影響因素進(jìn)行相關(guān)性分析獲得目標(biāo)相關(guān)性矩陣，所述主成分分析步驟用于對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素。

39、可選的，所述目標(biāo)影響因素獲取模塊具體用于：

40、對所述初級目標(biāo)影響因素進(jìn)行標(biāo)準(zhǔn)化處理獲得標(biāo)準(zhǔn)化矩陣；

41、對所述標(biāo)準(zhǔn)化矩陣進(jìn)行轉(zhuǎn)換獲得相關(guān)性矩陣；

42、基于相關(guān)性分析對所述相關(guān)性矩陣進(jìn)行篩選獲得目標(biāo)相關(guān)性矩陣；

43、對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素。

44、可選的，所述目標(biāo)影響因素獲取模塊對所述標(biāo)準(zhǔn)化矩陣進(jìn)行轉(zhuǎn)換獲得相關(guān)性矩陣的轉(zhuǎn)換公式為：

45、

46、其中，r為相關(guān)性矩陣，xil和xlj分別表示標(biāo)準(zhǔn)化矩陣q中第i行和第j列變量的第l個觀測值，t為現(xiàn)有影響因素的個數(shù)，g為相關(guān)性矩陣的總行數(shù)或總列數(shù)。

47、可選的，所述目標(biāo)影響因素獲取模塊對所述目標(biāo)影響因素進(jìn)行標(biāo)準(zhǔn)化處理獲得標(biāo)準(zhǔn)化矩陣，包括：

48、采用z分?jǐn)?shù)或最大最小值法對所述初級目標(biāo)影響因素進(jìn)行標(biāo)準(zhǔn)化處理獲得標(biāo)準(zhǔn)化矩陣。

49、可選的，所述目標(biāo)影響因素獲取模塊基于相關(guān)性分析對所述相關(guān)性矩陣進(jìn)行篩選獲得目標(biāo)相關(guān)性矩陣，包括：

50、采用測量系統(tǒng)分析法對所述相關(guān)性矩陣中的元素進(jìn)行相關(guān)性分析；

51、對相關(guān)性分析的結(jié)果進(jìn)行排序，在所述相關(guān)性矩陣中舍棄對應(yīng)相關(guān)性分析的結(jié)果不在預(yù)設(shè)范圍內(nèi)的元素，得到目標(biāo)相關(guān)性矩陣。

52、可選的，所述目標(biāo)影響因素獲取模塊對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素，包括：

53、獲取所述目標(biāo)相關(guān)性矩陣的特征根的累計方差貢獻(xiàn)率；

54、將所述累計方差貢獻(xiàn)率與預(yù)設(shè)值進(jìn)行比較獲得主成分個數(shù)；

55、對所述特征根由大到小進(jìn)行排序，獲得前主成分個數(shù)個特征根對應(yīng)的單位特征向量；

56、將所述單位特征向量作為系數(shù)對目標(biāo)相關(guān)性矩陣進(jìn)行線性變換，獲得主成分矩陣；

57、基于所述主成分矩陣獲得目標(biāo)影響因素。

58、可選的，所述目標(biāo)影響因素獲取模塊基于所述主成分矩陣獲得目標(biāo)影響因素，包括：

59、將主成分矩陣中的每列權(quán)重大于該列對應(yīng)的預(yù)設(shè)值的影響因素保留，對保留的影響因素以此方式依次進(jìn)行后續(xù)列的篩選，得到最終的目標(biāo)影響因素。

60、可選的，所述初級目標(biāo)影響因素獲取模塊具體用于：

61、將原始碳排放影響因素作為鄰域粗糙集屬性約簡算法的條件屬性集，將碳排放強度作為鄰域粗糙集屬性約簡算法的決策屬性集；

62、隨機獲取所述條件屬性集的多個子集；

63、獲取每個子集相對于決策屬性集的重要度，基于所述重要度對多個所述子集進(jìn)行篩選獲得目標(biāo)子集，即初級目標(biāo)影響因素。

64、可選的，所述初級目標(biāo)影響因素獲取模塊對多個子集進(jìn)行篩選的過程包括：判斷所述子集是否同時滿足以下兩組條件，若是，則所述子集為初級目標(biāo)影響因素，其中，所述兩組條件包括：

65、條件一：決策屬性集關(guān)于該子集的依賴度與決策屬性集關(guān)于該條件屬性集的依賴度相等；

66、條件二：子集中的任意元素相對于決策屬性集的重要度大于0。

67、可選的，所述初級目標(biāo)影響因素獲取模塊采用鄰域粗糙集屬性約簡算法對原始碳排放影響因素數(shù)據(jù)進(jìn)行約簡獲得初級目標(biāo)影響因素之前還包括：

68、采用z分?jǐn)?shù)法對原始碳排放影響因素數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

69、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

70、本發(fā)明提供了一種碳排放影響因素的獲取方法及系統(tǒng)，方法包括采用鄰域粗糙集屬性約簡算法對原始碳排放影響因素數(shù)據(jù)進(jìn)行約簡獲得初級目標(biāo)影響因素；采用改進(jìn)主成分分析方法對所述初級目標(biāo)影響因素進(jìn)行篩選獲得目標(biāo)影響因素；其中，所述改進(jìn)主成分分析方法包括相關(guān)性分析步驟和主成分分析步驟，所述相關(guān)性分析步驟用于對所述初級目標(biāo)影響因素進(jìn)行相關(guān)性分析獲得目標(biāo)相關(guān)性矩陣，所述主成分分析步驟用于對所述目標(biāo)相關(guān)性矩陣進(jìn)行主成分分析獲得目標(biāo)影響因素；本技術(shù)鄰域粗糙集屬性約簡算法采用鄰域的思想考慮了潛在因素，進(jìn)行一級約簡，相關(guān)性分析可以對因素的相關(guān)性進(jìn)行分析增強了影響因素之間的差異性，實現(xiàn)對影響因素的相似性和冗余的識別，進(jìn)行二級約簡，進(jìn)一步采用主成分分析，通過主成分思想，使得影響因素之間相互獨立，排除相互的干擾，進(jìn)一步進(jìn)行約簡，進(jìn)而解決現(xiàn)有技術(shù)相似性大、冗余多、忽略潛在關(guān)鍵因素，導(dǎo)致對碳排放影響因素識別不準(zhǔn)確的問題。