Volume 1,Issue 9
基于Stacking算法集成的资源型城市碳排放预测
本文基于2006-2021年我国资源型城市的碳排放量及10个相关特征，提出了一种融合CNN、RF和SVR的Stacking 集成的碳排放达峰预测模型。首先，采用随机森林筛选出影响碳排放的关键特征，其次，将关键特征输入至CNN、RF和SVR三种基学习器，并通过交叉验证得到的各训练模型通过残差赋权方式组合起来；最后，将原始训练集与组合基学习器的预测结果共同输入元学习器进行训练与测试。实验表明，与单一基学习器相比，本文提出的 Stacking 集成模型在碳达峰预测中精度显著提高：均方根误差和平均绝对误差分别降低9.39%和11.54%，决定系数R² 提升0.897个百分点，有效验证了集成方法的优越性。
[1]Yuan R, Rodrigues J F D, Behrens P. Driving forces of household carbon emissions in China: A spatial decomposition analysis[J]. Journal of cleaner production, 2019,233:932.
[2]穆佳音,王金满,刘彪,等.资源型城市碳排放演变及影响因素研究进展[J/OL].煤炭学报:1-15[2024-04-25].
[3]施晓燕,赵有益,王音璠,等.黄河流域资源型城市碳达峰情景模拟研究[J].西北师范大学学报(自然科学版),2024,60(01):106-114.
[4]崔艳芳,张国兴.黄河流域资源型城市碳排放影响因素与达峰预测研究[J].人民黄河,2023,45(02):9-14.
[5]李安,尹逊之.我国农村居民生活能源消费碳排放影响因素分析[J].山东社会科学,2024(02):169-176.
[6]赵一航,赵会茹.我国碳市场与化石能源市场溢出效应研究——基于VAR-GARCH-BEKK模型的分析[J].工业技术经济,2024,43(04):36-45.
[7]杨帆,甄江红.“双碳”目标下典型地区减污、降碳与经济增长关系研究：以黄河流域城市群为例[J].环境科学研究,2023,36(11):2050-2064.
[8]肖德,张媛.经济增长、能源消费与二氧化碳排放的互动关系——基于动态面板联立方程的估计[J].经济问题探索,2016(09):29-39.
[9]杨浩昌,钟时权,李廉水.绿色技术创新与碳排放效率：影响机制及回弹效应[J].科技进步与对策,2023,40(08):99-107.
[10]Khanna N, Fridley D, Hong L. China’s pilot low-carbon city initiative: A comparative assessment of national goals and local plans[J]. Sustainable Cities & Society,2014,12(7):110-121.
[11] 要蓉蓉,郑石明,邹克.低碳试点政策传导机制及其效应——基于多维数据的实证研究[J].公共管理与政策评论,2024,13(02):131-149.
[12] 徐丽,曲建升,李恒吉,等.西北地区居民生活碳排放现状分析及预测[J].干旱区地理,2019,42(05):1166-1175.
[13] 苗安康,袁越,吴涵,等.中国省域碳达峰路径与政策[J].环境科学,2023,44(08):4623-4636.
[14] 焦柳丹,刘莹,吴雅,等.基于卷积神经网络的交通运输业碳排放预测研究[J/OL].铁道运输与经济:1-9[2024-04-29].
[15] 王伟同,范海东,梁成思,等.基于随机森林算法的对冲锅炉出口NOx排放量预测模型研究[J].热力发电,2022,51(4):96-104.
[16] 刘慧甜,胡大伟.基于机器学习的交通碳排放预测模型构建与分析[J/OL].环境科学:1-17[2024-04-29].
[17]Chu, X. and Zhao, R. A building carbon emission prediction model by PSO-SVR method under multi-criteria evaluation. Journal of Intelligent & Fuzzy Systems, 2021,41,7473-7484.
[18] 武冰.基于随机森林的模型平均预测方法研究.北京大学学报(自然科学版),2021,57(06)：1133-1142.
[19]Liu, Zhong H, Zhao E, et al. Can China realize its carbon emission reduction goal in 2020: from the perspective of thermal power development[J]. Applied Energy, 2014,124:199.
[20] 马良玉，耿妍竹，梁书源，等．基于Stacking多模型融合的风电机组齿轮箱油池温度异常预警[J].中国电机工程学报, 2023, 43(增刊1):242-251．
[21] 杏艳, 宋新宇, 李飞, 李茂刚, 郭琦, 张霖琳. (2025). 集成学习算法结合经验模型预测城市大气污染物排放。中国环境监测, 41(3), 14-23.
[22] 任宏洋,杜若岚,谢贵林,等.中国碳排放影响因素及识别方法研究现状[J].环境工程,2023,41(10):195-203+244.
[23] 曹桃云.基于随机森林的变量重要性研究[J].统计与决策,2022,38(04):60-63.
[24] 谢焕增,黄凌泽,罗烨,等.基于多尺度卷积神经网络的CRISPR/Cas9脱靶预测方法[J].生物工程学报,2024,40(03):858-876.
[25]Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3):273-297.
[26]Elbisy M S. Sea wave parameters prediction by support vector machine using a genetic algorithm[J]. Journal of Coastal Research, 2015, 31(4): 892-899.
[27] 李阳,黄伟,席建忠.基于Stacking算法集成模型的电厂NOx
排放预测[J].热能动力工程,2021.36(5):73-81.
[28] 吴佳润,林宇亮,邢浩,宁曦.基于改进Stacking多模型融合的高速公路隧道建设碳排放预测模型. 湖南大学学报(自然科学版), 2025,52(5), 57-65.