论文部分内容阅读
摘 要：该文基于世界银行数据库1984—2014年美国的碳排放量、美国人均GDP、美国人口总量、化石燃料能耗百分比、人均耗电量等数据，结合多种预测模型，较为准确地预测了美国未来30年的碳排放量。首先基于灰色预测模型表明，未来30年美国的碳排量将呈现逐年递增的趋势。为了进一步提高预测精度，将偏差的关系归纳到BP神经网络模型中，利用神经网络模型趋势外推法对预测结果作进一步完善，预估未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势，即曲线呈现比较明显的倒U型，与Kuznets曲线相符。
关键词：碳排放 《巴黎协定》 灰色预测 BP神经网络
中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2019）05（b）-0202-05
伴随着全球气温升高、海平面上升、冰川和冻土消融等，气候变暖已经威胁人类的生存与发展。为降低地表升温速度，减少二氧化碳排放量，2015年联合国通过了《巴黎气候变化协定》。中美两国积极推动了协议的签署。而美国在2017年宣布退出该协议，对于美国政府的这一决策全球反应强烈。美国退出《巴黎协议》后不仅直接影响到全球的碳排放和温升控制，同时也影响到世界各国未来的经济增长。因此，研究美国退出《巴黎协定》后未来30年美国的碳排放量，对于有效分析和控制全球的碳排放量、制定能源战略、保护环境等有重要的现实意义。
该文基于1984—2014年美国碳排放量的数据，评估2020—2050年美国碳排放的总值及变化趋势。文献[1]表明灰色预测模型适用于短期和中期预测，精确度较高，但是在长期预测中可能受到一些扰动因素的影响，会使得预测精度降低。为了进一步提高预测精度，采用BP神经网络模型对已经得到的结果进行进一步的完善，将灰色预测后的结果作为神经网络的输入学习样本[2]。这种结合算法可以尽可能地减少预测值与原始数据的偏差，预测精度高，使用方便，具有较高的应用价值。
1 碳排放量影响因素的选择与分析
该文结合全球以及美国工业发展的实际情况，从世界银行数据库收集1984—2014年美国的碳排放量、人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量、温度等数据。在对这些数据进行数据分析后，确定人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量作为影响美国碳排放量的主要影响因子。
2 美国碳排放量灰色预测GM（1，1）模型
2.1 灰色预测模型GM（1，1）的构建
灰色预测模型可以对没有规律的时间序列进行预测，这符合历年来碳排放量、人均国内生产总值、人口数量、化石燃料能耗百分比、耗电量等的数据走势规律。利用灰色预测方法建立GM（1，1）预测模型[3]，记，其中（k=1，2，…，20）。对20年美国碳排放量的历史数据进行模拟并预测未来20年的排放量，利用该数據列建立预测模型的步骤如下。
2.3 碳排放预测值分析
将预测得到的2020—2050年的美国碳排放量结果与实际1984—2014年美国碳排放量进行对比，如图1所示。
通过上述预测模型得到的2020—2050年美国碳排放量的变化形势，可以得到如下结论。未来30年美国的碳排量仍然呈现逐年递增的趋势，在2030年将达到61.75亿t，比2014年上涨了17.5%。虽然世界各国都在积极探索新的绿色能源，进行技术改革与技术创新，但是在未来一段时间内，美国的碳排放量将仍然呈现增长的趋势。
将预测得到的碳排放量与实际碳排量进行对比，可以看出预测达到较高要求，有较高的曲线拟合度。
3 基于BP神经网络的美国碳排放预测模型
在采用灰色预测模型预测得到未来30年美国的碳排放量呈现逐年递增的趋势后，利用神经网络模型趋势外推法对预测结果做进一步完善[1]，预测未来30年美国的碳排放量。
3.1 BP神经网络模型概述
BP神经网络即多层次反馈型网络，是一种模糊不确定型的神经元网络，可以进行自组织、自学习。由于BP人工神经网络有类似人的大脑思维过程，可以模拟人脑进行不断地学习与训练，从而解决某些具有模糊性和不确定性的问题。因此，利用人工神经网络对美国碳排放量样本进行分析，通过对新样本的学习识别与评价，充分考虑影响美国碳排放量每一个因素的权重，从而对美国未来30年的碳排放量进行较为准确的评估。
3.2 数据的分析与处理
由于各个影响因子的量纲不同，因此收集的数据必须通过数据标准化处理。处理后的数据才能用来进行科学研究和数学建模，才适合更加综合的对比评估。
采用GM（1，1）的方法预测出2020—2050年美国人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量的值，然后将其作为学习样本，用人工神经网络对美国碳排放量进行预测。
3.3 BP神经网络的构建
神经网络可以更好地对多因素影响的碳排放量进行预测。理论上已经证明：具有偏差和至少一个S形隐藏层加上一个线性输出层的网格，可以较好地逼近任何有理函数[4]。为了达到较好的预测效果，神经网络模型运用前馈型网络，其结构是由输入层、隐含层、输出层三层组成的。每一个网络单元可以有多个输入，但只能有一个输出，该模型中的输入层有4个神经元，每个神经元对应一个影响因子（人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量），输入为这些影响因子都是经过数据标准化处理之后的值。输出层只能有1个神经元，即为美国的碳排放量。其算法流程图如图2所示。
3.4 美国碳排放预测模型的训练及仿真预测 对于BP训练算法函数，该文选取Levenberg-Marquqrdy训练方法，即trainlm为训练函数。与其他算法相比，该算法的收敛速度较快，每次迭代的效率很高。对于大小适中的前向神经网络，其计算量和存储量都非常大。在模拟训练时，把所有收集到的数据分为两部分，其中一部分数据用于学习训练，另一部分则用于检验神经网络模型的效果[5]。经过多次修改连接权值、阈值，确定了神经元个数，合理地确定了最优的网格结构，学习训练效果良好。
訓练结果如图3所示。
图3为MALTAB中BP网络的学习与训练过程，由图中可以看出，该算法通过40次训练就达到了预设的误差10-6，达到了预定的目标。
将1984—2014年的美国碳排放量为基准值，由MALTAB软件对2020—2050年美国的碳排放量进行预测，表2为根据人工神经网络模型预测的2020—2029年美国碳排放量的数据值。
3.5 结果分析
将得到的2020—2050年的美国碳排放量结果与原数据进行对比，如图4所示。
由上图可以看到，预测得到的曲线与实际值的数据曲线拟合度较高，数据值非常接近。故建立的BP神经网络模型可以较精确地预估美国未来30年的碳排放。
通过BP神经网络模型得到的2020—2050年美国碳排放量的变化形式，可以得到结论：未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势，即图形呈现比较明显的倒U型。
4 结论
（1）该文首先基于灰色神经网络模型，预估未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势，即曲线呈现比较明显的倒U型。
（2）基于该模型得到的预测结果与实际碳排放量相比差距较小，说明该模型在碳排放量预测中是可行的，可以为各国未来规划有害气体的排放提供有价值的参考。
（3）该文建立的是一个碳排放预测模型，由于碳排放预测指标涉及社会、环境、能源等各个方面，因此该模型还可以分析碳排放量对社会、能源等各个方面的影响，只需改变影响因子即可。
参考文献
[1] 李德志，李朝阳，李峰.大气SO2含量时间序列的BP人工神经网络预测模型[J].重型机械，2010（3）：31-34.
[2] 刘秋华.基于季节指数和灰色预测的月电量预测模型[J].南京工程学院学报：自然科学版，2006（1）：1-6.
[3] 张利萍.灰色理论在智能控制中的应用[D].北京化工大学，2005.
[4] 朱璐，李永新，陈盛，等.基于BP网络的足球机器人视觉系统标定——Robocup系列研究之七[J].自动化与仪表，2004（5）：10-13.
[5] 杨新志，何毅.人工神经网络在测控系统故障诊断中的应用[A].中国自动化学会智能自动化专业委员会，中国人工智能学会计算机视觉及智能控制学会，IEEE控制系统学会北京分会，天津大学.1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C].1995.
关键词：碳排放 《巴黎协定》 灰色预测 BP神经网络
中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2019）05（b）-0202-05
伴随着全球气温升高、海平面上升、冰川和冻土消融等，气候变暖已经威胁人类的生存与发展。为降低地表升温速度，减少二氧化碳排放量，2015年联合国通过了《巴黎气候变化协定》。中美两国积极推动了协议的签署。而美国在2017年宣布退出该协议，对于美国政府的这一决策全球反应强烈。美国退出《巴黎协议》后不仅直接影响到全球的碳排放和温升控制，同时也影响到世界各国未来的经济增长。因此，研究美国退出《巴黎协定》后未来30年美国的碳排放量，对于有效分析和控制全球的碳排放量、制定能源战略、保护环境等有重要的现实意义。
该文基于1984—2014年美国碳排放量的数据，评估2020—2050年美国碳排放的总值及变化趋势。文献[1]表明灰色预测模型适用于短期和中期预测，精确度较高，但是在长期预测中可能受到一些扰动因素的影响，会使得预测精度降低。为了进一步提高预测精度，采用BP神经网络模型对已经得到的结果进行进一步的完善，将灰色预测后的结果作为神经网络的输入学习样本[2]。这种结合算法可以尽可能地减少预测值与原始数据的偏差，预测精度高，使用方便，具有较高的应用价值。
1 碳排放量影响因素的选择与分析
该文结合全球以及美国工业发展的实际情况，从世界银行数据库收集1984—2014年美国的碳排放量、人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量、温度等数据。在对这些数据进行数据分析后，确定人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量作为影响美国碳排放量的主要影响因子。
2 美国碳排放量灰色预测GM（1，1）模型
2.1 灰色预测模型GM（1，1）的构建
灰色预测模型可以对没有规律的时间序列进行预测，这符合历年来碳排放量、人均国内生产总值、人口数量、化石燃料能耗百分比、耗电量等的数据走势规律。利用灰色预测方法建立GM（1，1）预测模型[3]，记，其中（k=1，2，…，20）。对20年美国碳排放量的历史数据进行模拟并预测未来20年的排放量，利用该数據列建立预测模型的步骤如下。
2.3 碳排放预测值分析
将预测得到的2020—2050年的美国碳排放量结果与实际1984—2014年美国碳排放量进行对比，如图1所示。
通过上述预测模型得到的2020—2050年美国碳排放量的变化形势，可以得到如下结论。未来30年美国的碳排量仍然呈现逐年递增的趋势，在2030年将达到61.75亿t，比2014年上涨了17.5%。虽然世界各国都在积极探索新的绿色能源，进行技术改革与技术创新，但是在未来一段时间内，美国的碳排放量将仍然呈现增长的趋势。
将预测得到的碳排放量与实际碳排量进行对比，可以看出预测达到较高要求，有较高的曲线拟合度。
3 基于BP神经网络的美国碳排放预测模型
在采用灰色预测模型预测得到未来30年美国的碳排放量呈现逐年递增的趋势后，利用神经网络模型趋势外推法对预测结果做进一步完善[1]，预测未来30年美国的碳排放量。
3.1 BP神经网络模型概述
BP神经网络即多层次反馈型网络，是一种模糊不确定型的神经元网络，可以进行自组织、自学习。由于BP人工神经网络有类似人的大脑思维过程，可以模拟人脑进行不断地学习与训练，从而解决某些具有模糊性和不确定性的问题。因此，利用人工神经网络对美国碳排放量样本进行分析，通过对新样本的学习识别与评价，充分考虑影响美国碳排放量每一个因素的权重，从而对美国未来30年的碳排放量进行较为准确的评估。
3.2 数据的分析与处理
由于各个影响因子的量纲不同，因此收集的数据必须通过数据标准化处理。处理后的数据才能用来进行科学研究和数学建模，才适合更加综合的对比评估。
采用GM（1，1）的方法预测出2020—2050年美国人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量的值，然后将其作为学习样本，用人工神经网络对美国碳排放量进行预测。
3.3 BP神经网络的构建
神经网络可以更好地对多因素影响的碳排放量进行预测。理论上已经证明：具有偏差和至少一个S形隐藏层加上一个线性输出层的网格，可以较好地逼近任何有理函数[4]。为了达到较好的预测效果，神经网络模型运用前馈型网络，其结构是由输入层、隐含层、输出层三层组成的。每一个网络单元可以有多个输入，但只能有一个输出，该模型中的输入层有4个神经元，每个神经元对应一个影响因子（人均国内生产总值、人口总量、化石燃料能耗百分比、人均耗电量），输入为这些影响因子都是经过数据标准化处理之后的值。输出层只能有1个神经元，即为美国的碳排放量。其算法流程图如图2所示。
3.4 美国碳排放预测模型的训练及仿真预测 对于BP训练算法函数，该文选取Levenberg-Marquqrdy训练方法，即trainlm为训练函数。与其他算法相比，该算法的收敛速度较快，每次迭代的效率很高。对于大小适中的前向神经网络，其计算量和存储量都非常大。在模拟训练时，把所有收集到的数据分为两部分，其中一部分数据用于学习训练，另一部分则用于检验神经网络模型的效果[5]。经过多次修改连接权值、阈值，确定了神经元个数，合理地确定了最优的网格结构，学习训练效果良好。
訓练结果如图3所示。
图3为MALTAB中BP网络的学习与训练过程，由图中可以看出，该算法通过40次训练就达到了预设的误差10-6，达到了预定的目标。
将1984—2014年的美国碳排放量为基准值，由MALTAB软件对2020—2050年美国的碳排放量进行预测，表2为根据人工神经网络模型预测的2020—2029年美国碳排放量的数据值。
3.5 结果分析
将得到的2020—2050年的美国碳排放量结果与原数据进行对比，如图4所示。
由上图可以看到，预测得到的曲线与实际值的数据曲线拟合度较高，数据值非常接近。故建立的BP神经网络模型可以较精确地预估美国未来30年的碳排放。
通过BP神经网络模型得到的2020—2050年美国碳排放量的变化形式，可以得到结论：未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势，即图形呈现比较明显的倒U型。
4 结论
（1）该文首先基于灰色神经网络模型，预估未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势，即曲线呈现比较明显的倒U型。
（2）基于该模型得到的预测结果与实际碳排放量相比差距较小，说明该模型在碳排放量预测中是可行的，可以为各国未来规划有害气体的排放提供有价值的参考。
（3）该文建立的是一个碳排放预测模型，由于碳排放预测指标涉及社会、环境、能源等各个方面，因此该模型还可以分析碳排放量对社会、能源等各个方面的影响，只需改变影响因子即可。
参考文献
[1] 李德志，李朝阳，李峰.大气SO2含量时间序列的BP人工神经网络预测模型[J].重型机械，2010（3）：31-34.
[2] 刘秋华.基于季节指数和灰色预测的月电量预测模型[J].南京工程学院学报：自然科学版，2006（1）：1-6.
[3] 张利萍.灰色理论在智能控制中的应用[D].北京化工大学，2005.
[4] 朱璐，李永新，陈盛，等.基于BP网络的足球机器人视觉系统标定——Robocup系列研究之七[J].自动化与仪表，2004（5）：10-13.
[5] 杨新志，何毅.人工神经网络在测控系统故障诊断中的应用[A].中国自动化学会智能自动化专业委员会，中国人工智能学会计算机视觉及智能控制学会，IEEE控制系统学会北京分会，天津大学.1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C].1995.