本發(fā)明涉及建筑業(yè)碳排放預(yù)測(cè)，具體而言，涉及基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、建筑業(yè)碳排放預(yù)測(cè)是實(shí)現(xiàn)碳中和目標(biāo)的關(guān)鍵環(huán)節(jié)。隨著建筑業(yè)的快速發(fā)展，其碳排放量呈現(xiàn)出復(fù)雜的非線性特征和時(shí)序依賴(lài)性，準(zhǔn)確預(yù)測(cè)建筑業(yè)碳排放對(duì)制定有效的減排策略至關(guān)重要。就目前而言，傳統(tǒng)的建筑業(yè)碳排放預(yù)測(cè)方法存在多個(gè)局限性，首先，線性回歸等簡(jiǎn)單模型難以捕捉碳排放數(shù)據(jù)的非線性特征，導(dǎo)致預(yù)測(cè)結(jié)果偏差較大。其次，時(shí)間序列分析方法（如arima）雖然考慮了時(shí)序特性，但對(duì)于長(zhǎng)期依賴(lài)關(guān)系的建模能力有限。此外，傳統(tǒng)的建筑業(yè)碳排放預(yù)測(cè)方法通常難以適應(yīng)建筑業(yè)碳排放數(shù)據(jù)的動(dòng)態(tài)變化特性，無(wú)法及時(shí)調(diào)整預(yù)測(cè)策略，導(dǎo)致長(zhǎng)期預(yù)測(cè)效果不佳?；诖耍瑸榱颂岣呓ㄖI(yè)碳排放預(yù)測(cè)的準(zhǔn)確性和可靠性，我們提供了一種結(jié)合隨機(jī)森林回歸和長(zhǎng)短期記憶網(wǎng)絡(luò)的混合模型方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法及系統(tǒng)，其結(jié)合隨機(jī)森林和lstm的優(yōu)勢(shì)，克服了傳統(tǒng)方法的局限性，隨機(jī)森林有效進(jìn)行特征選擇和重要度排序，提高了模型的解釋性和預(yù)測(cè)效率；lstm模型則充分利用歷史數(shù)據(jù)，捕捉長(zhǎng)期依賴(lài)關(guān)系，提高了時(shí)序預(yù)測(cè)的準(zhǔn)確性。兩者的結(jié)合不僅提升了預(yù)測(cè)精度，還增強(qiáng)了模型的魯棒性和適應(yīng)性，為建筑業(yè)碳排放的精準(zhǔn)預(yù)測(cè)和有效管理提供了可靠工具。

2、本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

3、基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，該方法的步驟包括：

4、獲取建筑業(yè)碳排放歷史數(shù)據(jù)；

5、基于隨機(jī)森林回歸模型對(duì)建筑業(yè)碳排放歷史數(shù)據(jù)進(jìn)行影響因素重要度排序，提取碳排放相關(guān)性的特征數(shù)據(jù)集，并劃分為訓(xùn)練集與測(cè)試集；

6、將訓(xùn)練集輸入至預(yù)設(shè)的lstm模型中進(jìn)行計(jì)算，并通過(guò)測(cè)試集對(duì)lstm預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，輸出完成訓(xùn)練的lstm模型；

7、將隨機(jī)森林回歸模型與完整訓(xùn)練的lstm模型進(jìn)行組合，通過(guò)組合模型完成現(xiàn)有建筑的碳排放預(yù)測(cè)。

8、可選的，所述獲取建筑業(yè)碳排放歷史數(shù)據(jù)，還包括預(yù)處理，所述預(yù)處理具體為：對(duì)建筑業(yè)碳排放歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化。

9、可選的，所述隨機(jī)森林回歸模型具體以最大化碳減排潛力為優(yōu)化目標(biāo)，其計(jì)算公式為：

10、

11、其中，為目標(biāo)函數(shù)，為總時(shí)間周期，為建筑類(lèi)型數(shù)量，、、及分別為第i類(lèi)建筑的權(quán)重系數(shù)，為時(shí)間衰減系數(shù)，為累積碳排放效應(yīng)系數(shù)，為時(shí)間變量，為建筑類(lèi)型的索引，為積分變量，為第類(lèi)建筑在時(shí)刻的施工面積，為第類(lèi)建筑在時(shí)刻的建筑業(yè)總產(chǎn)值，為第類(lèi)建筑在時(shí)刻的建筑業(yè)發(fā)展水平，為第類(lèi)建筑在時(shí)刻的從業(yè)人數(shù)，為第類(lèi)建筑在時(shí)刻的能源強(qiáng)度。

12、可選的，所述隨機(jī)森林回歸模型的約束條件為：

13、

14、

15、

16、

17、

18、

19、

20、其中，、分別為第類(lèi)建筑施工面積的最小值和最大值，、分別為第類(lèi)建筑總產(chǎn)值的最小值和最大值，、分別為第類(lèi)建筑發(fā)展水平的最小值和最大值，、分別為第類(lèi)建筑從業(yè)人數(shù)的最小值和最大值，、分別為第類(lèi)建筑能源強(qiáng)度的最小值和最大值，為增長(zhǎng)率參數(shù)，為中點(diǎn)參數(shù)，為指數(shù)增長(zhǎng)率，為第類(lèi)建筑的能源強(qiáng)度增長(zhǎng)指數(shù)，、及分別為施工面積、總產(chǎn)值及從業(yè)人數(shù)的資源權(quán)重，為總可用資源。

21、可選的，所述lstm模型，其結(jié)構(gòu)組成計(jì)算公式為：

22、

23、

24、

25、

26、

27、

28、其中，為sigmoid激活函數(shù)，、及分別為遺忘門(mén)、輸入門(mén)和輸出門(mén)的輸出，、、及分別為各門(mén)的權(quán)重矩陣，、、及分別為各門(mén)的偏置，為時(shí)刻的隱藏狀態(tài)，為時(shí)刻的輸入，為時(shí)刻的細(xì)胞狀態(tài)，為候選記憶細(xì)胞狀態(tài)。

29、可選的，所述lstm模型的訓(xùn)練過(guò)程中，通過(guò)adam優(yōu)化算法對(duì)lstm模型進(jìn)行優(yōu)化，其具體過(guò)程為：

30、隨機(jī)初始化權(quán)重矩陣、、、及偏置、、、；

31、對(duì)于每個(gè)時(shí)間步，lstm模型執(zhí)行前向傳播；

32、基于損失函數(shù)求解lstm模型的輸出值與真實(shí)值之間的誤差；

33、計(jì)算損失函數(shù)關(guān)于每個(gè)參數(shù)的梯度；

34、計(jì)算lstm模型梯度的一階矩估計(jì)和二階矩估計(jì)；

35、對(duì)lstm模型梯度的一階矩估計(jì)和二階矩估計(jì)進(jìn)行偏差校正；

36、對(duì)lstm模型的參數(shù)進(jìn)行迭代更新；

37、重復(fù)上述步驟，直至達(dá)到最大迭代次數(shù)后，輸出完成訓(xùn)練的lstm模型。

38、可選的，所述損失函數(shù)采用交叉熵?fù)p失函數(shù)。

39、基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)系統(tǒng)，包括：

40、數(shù)據(jù)獲取模塊，獲取建筑業(yè)碳排放歷史數(shù)據(jù)；

41、特征提取模塊，基于隨機(jī)森林回歸模型對(duì)建筑業(yè)碳排放歷史數(shù)據(jù)進(jìn)行影響因素重要度排序，提取碳排放相關(guān)性的特征數(shù)據(jù)集，并劃分為訓(xùn)練集與測(cè)試集；

42、模型訓(xùn)練模塊，將訓(xùn)練集輸入至預(yù)設(shè)的lstm模型中進(jìn)行計(jì)算，并通過(guò)測(cè)試集對(duì)lstm預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，輸出完成訓(xùn)練的lstm模型；

43、模型組合模塊，將隨機(jī)森林回歸模型與完整訓(xùn)練的lstm模型進(jìn)行組合，將現(xiàn)有建筑的相關(guān)參數(shù)輸入至組合模型計(jì)算，完成現(xiàn)有建筑的碳排放預(yù)測(cè)。

44、本發(fā)明的技術(shù)方案至少具有如下優(yōu)點(diǎn)和有益效果：

45、本發(fā)明結(jié)合隨機(jī)森林和lstm的優(yōu)勢(shì)，克服了傳統(tǒng)方法的局限性，隨機(jī)森林有效進(jìn)行特征選擇和重要度排序，提高了模型的解釋性和預(yù)測(cè)效率；lstm模型則充分利用歷史數(shù)據(jù)，捕捉長(zhǎng)期依賴(lài)關(guān)系，提高了時(shí)序預(yù)測(cè)的準(zhǔn)確性。兩者的結(jié)合不僅提升了預(yù)測(cè)精度，還增強(qiáng)了模型的魯棒性和適應(yīng)性，為建筑業(yè)碳排放的精準(zhǔn)預(yù)測(cè)和有效管理提供了可靠工具。

技術(shù)特征：

1.基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，該方法的步驟包括：

2.根據(jù)權(quán)利要求1所述的基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，所述獲取建筑業(yè)碳排放歷史數(shù)據(jù)，還包括預(yù)處理，所述預(yù)處理具體為：對(duì)建筑業(yè)碳排放歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化。

3.根據(jù)權(quán)利要求1所述的基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，所述隨機(jī)森林回歸模型具體以最大化碳減排潛力為優(yōu)化目標(biāo)，其計(jì)算公式為：

4.根據(jù)權(quán)利要求3所述的基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，所述隨機(jī)森林回歸模型的約束條件為：

5.根據(jù)權(quán)利要求4所述的基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，所述lstm模型，其結(jié)構(gòu)組成計(jì)算公式為：

6.根據(jù)權(quán)利要求5所述的基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，所述lstm模型的訓(xùn)練過(guò)程中，通過(guò)adam優(yōu)化算法對(duì)lstm模型進(jìn)行優(yōu)化，其具體過(guò)程為：

7.根據(jù)權(quán)利要求6所述的基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法，其特征在于，所述損失函數(shù)采用交叉熵?fù)p失函數(shù)。

8.基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明涉及建筑業(yè)碳排放預(yù)測(cè)技術(shù)領(lǐng)域，具體而言，涉及基于隨機(jī)森林算法的建筑業(yè)碳排放預(yù)測(cè)方法及系統(tǒng)，該方法的步驟包括：獲取建筑業(yè)碳排放歷史數(shù)據(jù)；基于隨機(jī)森林回歸模型對(duì)建筑業(yè)碳排放歷史數(shù)據(jù)進(jìn)行影響因素重要度排序，提取碳排放相關(guān)性的特征數(shù)據(jù)集，并劃分為訓(xùn)練集與測(cè)試集；將訓(xùn)練集輸入至預(yù)設(shè)的LSTM模型中進(jìn)行計(jì)算，并通過(guò)測(cè)試集對(duì)LSTM預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，輸出完成訓(xùn)練的LSTM模型；將隨機(jī)森林回歸模型與完整訓(xùn)練的LSTM模型進(jìn)行組合，通過(guò)組合模型完成現(xiàn)有建筑的碳排放預(yù)測(cè)。本發(fā)明旨在提高建筑業(yè)碳排放預(yù)測(cè)的準(zhǔn)確性和可靠性。

技術(shù)研發(fā)人員：霍海娥,岳彥伶,曹政博,陳翰文,邸小波,唐柳,王軍
受保護(hù)的技術(shù)使用者：西華大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6