基于时空特征的二氧化碳排放预测研究.pdf

摘要

摘要

二氧化碳过度排放引起的全球变暖不可避免地对生态系统、生物多样性

和人类经济活动造成破坏，不断恶化的人类生存环境使各国意识到尽快采取

减少碳排放的措施迫在眉睫。节能减排成为了世界各国需要为之努力的重要

任务。要减少和控制二氧化碳排放，对碳排放地精确预测就十分重要。准确

预测未来的二氧化碳排放量有助于制定更加有效的环境政策，这些政策可能

包括能源政策、排放限制政策、碳交易政策等。二氧化碳排放预测模型大致

可分为传统的时间序列模型和回归模型以及机器学习AI模型。传统模型在实

际应用中受到历史模式和结构稳定性的影响，在预测非线性二氧化碳排放数

据时不够稳健。而机器学习模型虽然能处理非线性数据，但碳排放预测是一

个复杂的问题，单一模型很难适用于多变的情景。同时大多数预测模型将二

氧化碳排放单元看作是均质个体且相互独立，却忽略了各单元之间的空间联

系和相关性。近年来二氧化碳排放的空间效应受到了研究者的关注和重视，

空间因素逐渐被纳入二氧化碳排放影响因素的分析中。但目前没有哪项研究

将空间效应的影响运用到二氧化碳排放预测模型中。

本文应用GCN和GAT两种图神经网络来学习地区之间碳排放的空间特

LSTMLSTM-GCNLSTM-GAT

征信息。在模型的基础上，构造和两种时空

预测模型。两个模型具有相似之处都是先用图神经网络学习二氧化碳排放的

空间特征然后再将具有空间特征的数据带入到LSTM模型中学习时间序列的

特征信息。根据研究发现，不相邻的地区之间仍然可能存在相似的碳排放模

式和趋势，碳排放的空间效应不仅与地区之间地理位置有关，有相似碳排放

模式的地区之间同样可以互相指导二氧化碳排放预测。因此本文提出了一种

融合了空间权重矩阵和碳排放相似性矩阵的时空融合矩阵。并将其作为邻接

矩阵带入到构造的时空预测模型中。

本文通过对现有碳排放预测模型、空间效应以及时空预测相关理论成果

的梳理和总结，选择CarbonMonitor网站中所统计共11个国家2020年1月1

1

基于时空特征的二氧化碳排放预测研究

20221231

日到年月日的二氧化碳排放数据进行对比实验研究，得到了有意

义的结论。首先，对于时空预测模型LSTM-GCN和LSTM-GAT，两者在预测

结果的各项评价指标上都优于其他基础模型以及LSTM模型，LSTM-GCN对

于LSTM在MAPE、MAE以及RMSE上分别提升了9.15%、4.13%、3.33%。

LSTM-GATLSTMMAPEMAERMSE11.05%

对于在、以及上分别提升了、

5.83%6.18%LSTM-GAT

、。在的基础上，利用皮尔逊相关系数、灰色关联度、

动态时间扭曲算法三种方式进一步分析各地区碳排放时间序列的相似性，并

在LSTM-GAT模型中引入三种不同的时空融合矩阵，构造LSTM-GAT-T1、

LSTM-GAT-T2以及LSTM-GAT-T3这三个改进模型。研究结果表明

LSTM-GAT-T1MAPEMAERMSE

模型在、以及三项指标上都获得了最好的

预测结果。同时，为了研究模型的鲁棒性、稳定性以及长期预测能力，本文

进行了多步预测实验，最终LSTM-GAT-T1在所有预测范围内都优于其他基础

模型和时空预测模型，这表明LSTM-GAT-T1模型可以在短期和长期碳排放预

测上得到最优的预测结果。

准确的二氧化碳排放预测为治理