基于GWO-LSTM模型的辽宁省工业碳排放预测及影响因素研究.pdfVIP

第４９卷第１期环境科学与管理Ｖｏｌ４９Ｎｏ１

２０２４年１月ＥＮＶＩＲＯＮＭＥＮＴＡＬＳＣＩＥＮＣＥＡＮＤＭＡＮＡＧＥＭＥＮＴＪａｎ.２０２４

文章编号:１６７４－６１３９(２０２４)０１－００２８－０６

基于ＧＷＯ－ＬＳＴＭ模型的辽宁省

工业碳排放预测及影响因素研究

王文佳ꎬ潘昊ꎬ王国刚

(沈阳化工大学信息工程学院ꎬ辽宁沈阳１１０１４２)

摘要:科学预测工业碳排放对于低碳发展具有重要意义ꎮ基于灰色关联分析法ꎬ选择人口、人均工业ＧＤＰ、城

市化率、能源消耗、工业开放程度作为辽宁省工业碳排放影响因素ꎬ并通过ＳＴＩＲＰＡＴ模型ꎬ定量分析各影响因

素与碳排放量的关系ꎬ在此基础上建立灰狼优化算法优化的长短期记忆神经网络(ＧＷＯ－ＬＳＴＭ)模型对辽宁

省工业碳排放进行预测ꎮ研究结果表明:人口ꎬ城市化ꎬ能源消耗ꎬ人均工业ＧＤＰꎬ工业开放程度每增加１％ꎬ碳

排放量将相应增加１.０４％ꎬ０８１％ꎬ０３８％ꎬ０２７％ꎬ０１８％ꎻＧＷＯ－ＬＳＴＭ工业碳排放预测模型的决定系数为

０９９６８ꎬ高于原始的ＬＳＴＭ预测模型以及ＳＶＲ预测模型ꎮ

关键词:碳排放预测ꎻＳＴＩＲＰＡＴ模型ꎻ灰狼优化算法ꎻ长短期记忆神经网络

中图分类号:Ｘ３２１文献标志码:Ａ

ＰｒｅｄｉｃｔｉｏｎｏｆＩｎｄｕｓｔｒｉａｌＣａｒｂｏｎＰｅａｋｉｎｇｉｎＬｉａｏｎｉｎｇＰｒｏｖｉｎｃｅｂａｓｅｄｏｎＧＷＯ－ＬＳＴＭＭｏｄｅｌ

ＷａｎｇＷｅｎｊｉａꎬＰａｎＨａｏꎬＷａｎｇＧｕｏｇａｎｇ

(ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙꎬＳｈｅｎｙａｎｇ１１０１４２ꎬＣｈｉｎａ)

Ａｂｓｔｒａｃｔ:Ｓｃｉｅｎｔｉｆｉｃｐｒｅｄｉｃｔｉｏｎｏｆｉｎｄｕｓｔｒｉａｌｃａｒｂｏｎｅｍｉｓｓｉｏｎｓｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｌｏｗ－ｃａｒｂｏｎｄｅｖｅｌｏｐｍｅｎｔ.Ｂａｓｅｄｏｎｔｈｅｇｒｅｙ

ｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｍｅｔｈｏｄꎬｐｏｐｕｌａｔｉｏｎꎬｐｅｒｃａｐｉｔａｉｎｄｕｓｔｒｉａｌＧＤＰꎬｕｒｂａｎｉｚａｔｉｏｎｒａｔｅꎬｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎａｎｄｉｎｄｕｓｔｒｉａｌｏｐｅｎｎｅｓｓｗｅｒｅ

ｓｅｌｅｃｔｅｄａｓｔｈｅｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｏｆｉｎｄｕｓｔｒｉａｌｃａｒｂｏｎｅｍｉｓｓｉｏｎｓｉｎＬｉａｏｎｉｎｇＰｒｏｖｉｎｃｅꎬａｎｄｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｅａｃｈｉｎｆｌｕｅｎｃｉｎｇｆａｃ￣

ｔｏｒａｎｄｃａｒｂｏｎｅｍｉｓｓｉｏｎｓｗａｓｑｕａｎｔｉｔａｔｉｖｅｌｙａｎａｌｙｚｅｄｔｈｒｏｕｇｈｔｈｅＳＴＩＲＰＡＴｍｏｄｅｌ.Ｏｎｔｈｉｓｂａｓｉｓꎬａｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙｎｅｕｒａｌｎｅｔ￣

ｗｏｒｋ(ＧＷＯ－ＬＳＴＭ)ｍｏｄｅｌｏｐｔｉｍｉｚｅｄｂｙｔｈｅｇｒａｙｗｏｌｆｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｅｓｔａｂｌｉｓｈｅｄｔｏｐｒｅｄｉｃｔｔｈｅｉｎｄｕｓｔｒｉａｌｃａｒｂｏｎｅｍｉｓｓｉｏｎｓｏｆ

ＬｉａｏｎｉｎｇＰｒｏｖｉｎｃｅ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｆｏｒｅｖｅｒｙ１％ｉｎｃｒｅａｓｅｉｎｐｏｐｕｌａｔｉｏｎꎬｕｒｂａｎｉｚａｔｉｏｎꎬｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎꎬｐｅｒｃａｐｉｔａｉｎｄｕｓｔｒｉａｌ

ＧＤＰꎬａｎｄｉｎｄｕｓｔｒｉａｌｏｐｅｎｎｅｓｓꎬｃａｒｂｏｎｅｍｉｓｓｉｏｎｓｗｉｌｌｉｎｃｒｅａｓｅｂｙ１.０４％ꎬ０８１％ꎬ０３８％ꎬ０２７％ꎬａｎｄ０１８％ａｃｃｏｒｄｉｎｇｌｙ.Ｔｈｅｃｏｅｆ￣

ｆｉｃｉｅｎ