基于机器学习的碳排放预测及SHAP特征分析.pdfVIP

科技与创新｜ScienceandTechnologyInnovation2024年第02期

DOI：10.15913/ki.kjycx.2024.02.044

基于机器学习的碳排放预测及SHAP特征分析

王泽菡，陈丽娟，林心如

（广州南方学院，广东广州510979）

摘要：碳排放是中国乃至国际社会近年来关注的热点问题，一方面经济发展离不开碳排放，另一方面碳排放过量会使生

态环境遭到破坏。因此，对碳排放作出有效预测，有助于平衡生态环境与经济发展。通过机器学习分析人口流动、温度、空

气质量等特征并构建碳排放预测模型，同时引入SHAP（SHapleyAdditiveexPlanations，夏普利值）解释模型与分析数据。

结果表明，人口流动与温度对碳排放有极大影响。

关键词：机器学习；碳排放；SHAP；预测

中图分类号：TP181文献标志码：A文章编号：2095-6835（2024）02-0148-03

随着中国经济的发展，化石能源使用量越来越大，MAGAZZINO使用面板向量自回归（PVAR），结合

导致碳排放量不断增加。目前二氧化碳是导致全球变二氧化碳的增长、排放和能源使用对1971—2007年期

暖最主要的温室气体，严重威胁着地球上的人类和生间东盟集团（即印度尼西亚、马来西亚、菲律宾、新加

物的生活环境。二氧化碳是一种天然存在的气体，也坡、泰国和文莱等国）的碳排放作出了有效预测，并且

[1-5]

是煤炭、天然气和石油等化石燃料燃烧的副产品，森认为能源的使用对二氧化碳排放的干扰很敏感。

林砍伐、土地开发和其他工业过程也导致了二氧化碳1.1.2基于机器学习的预测方法

排放量的增加。为了有效地抑制碳排放，有必要分析ABDULLAH和PAUZI于2015年提出了一篇关于

碳排放的影响因素，并将其应用于碳排放的预测。二氧化碳排放预测方法的综述。他们使用了多种不同

近10年间，机器学习（MachineLearning，ML）被广的方法，如人工神经网络、灰色模型、基于计算机的仿

[6]

泛应用于气象、医疗、建筑等多个领域，在碳排放预测真模型、最优增长模型、线性回归、挤压分析“、top-down”

中引入ML算法，能有效弥补传统算法构建复杂模型的方法和自适应神经模糊智能系统方法对碳排放作出预

不足。机器学习已有许多算法模型，例如线性回归测。而对于机器学习的使用，HAN等于2022年提出了

（Linearregression）、随机森林（RandomForest）、逻辑回一种依赖于自适应均方梯度的树突网方法，其目标是

归（LogisticRegression）、K-近邻（K-NearestNeighbor）预测建筑物的能源消耗，以减少二氧化碳排放。

等在不同预测任务中有良好表现。但由于ML算法普1.2机器学习

遍缺乏可解释性，导致人们无法信任其预测结果，严重1.2.1多元线性回归

[7]

阻碍了机器学习应用于实际预测任务。SHAP作为多元线性回归是最常用的预测模型之一。假设因

解释机器学习方法之一，不仅可对单个样本进行局部变量为y，自变量为x，通过计