我国碳排放量预测模型.doc

我国碳排放量预测模型 摘要 本文主要我国碳排放预测问题，同时根据预测结果提出合理性建议。以人口总量，城镇化，人均GDP,第三产业GDP比例,能源强度吨标准煤,煤炭消费比例 的数据，建立GM（1,1）预测模型、多元线性回归预测模型、BP神经网络预测模型，借助Matlab软件逐个对碳排放量和影响因素数据进行模拟与预测，然后采用绝对误差与相对误差两个参数对模型进行评价与对比，接着应用关联度分析法求得影响因素的重要性排序，最后结合重要性排序向相关部门提出建议。 对于GM（1,1）预测模型，通过对1986至2010年原始单变量数据进行生成处理，寻找系统的变化规律建立相应的微分方程预测模型，代入相关单变量数据用Matlab编程得到各单变量在2011至2015年的预测值。 对于多元线性回归预测模型，确定线性预测变量和因变量，即影响因素和测度指标，将数据代入Matlab统计软件，求得多元线性方程，将1986至2010年所有数据代入该方程，同时结合GM（1,1）预测模型对2011至2015年各单变量预测结果，用Matlab编程得到对应年份的碳排放量模拟值和预测值。 对于BP神经网络预测模型，首先根据碳排放量的排放趋势，确定输出层、中间隐层和输入层，然后把样本分为训练样本和测试样本两个部分，在以上基础,对样本数据进行归一化预处理，结合GM（1,1）预测模型对2011至2015年各单变量预测结果，采用Matlab软件中的神经网络计算功能,建立合理训练模型得到对应年份的旅游人数模拟值和预测值。 在模型求解过程中，将得到其对应的平均绝对误差值和相对误差值，通过比较知3个预测模型的精确度都合格。其中BP神经网络模型误差最小，预测效果最佳，三种模型2011-2015年预测数据如下表。 模型 2011 2012 2013 2014 2015 GM(1,1)模型 77.8641 83.4852 89.5121 95.9741 102.9026 线性回归模型 85.073 90.4646 96.1978 102.2945 108.7775 Bp网络模型 87.2029 95.4649 104.5097 114.4115 125.2514 对于影响因素重要性确定，本文应用关联度分析法建立因素排序模型，将数据代入关联系数公式得出影响因素数列对参考数列在每个年份的关联系数，关联度即各个关联系数之和的平均值，按关联度大小排序可得影响因素的重要性排序：人均GDP人口煤炭消费比例城镇化能源强度比例第三产业GDP比例。 最后根据重要性排序，向有关部门提出一些减少碳排放量的建议。 关键词：碳排放量预测 GM（1,1）预测模型 BP神经网络预测模型 多元线性回归预测 关联度分析法 碳排放 Matlab软件 目录 1.问题重述…………………………………………………………………………4 2.问题分析…………………………………………………………………………4 3.问题假设…………………………………………………………………………4 4.符号说明…………………………………………………………………………5 5.模型建立与求解…………………………………………………………………5 5.1GM(1,1)预测模型……………………………………………………………6 5.1.1模型思路………………………………………………………………6 5.1.2模型建立………………………………………………………………6 5.1.3模型求解………………………………………………………………7 5.2多元线性回归预测模型……………………………………………………9 5.2.1模型思路………………………………………………………………9 5.2.2模型建立………………………………………………………………10 5.2.3模型求解………………………………………………………………10 5.3BP神经网络预测模型………………………………………………………11 5.3.1模型思路………………………………………………………………11 5.3.2模型建立………………………………………………………………11 5.3.3模型求解………………………………………………………………12 5.4因素排序模型………………………………………………………………13 5.4.1模型思路………………………………………………………………13 5.4.2模型建立………………………………………………………………13 5.4.3模型求解………………………………………………………………14 6.模型检验分析……………………………………………………………………14 7.建议………………………………………………………………………………15 8.模型评价与推广…