基于统计学和机器学习模型的实时日常排放比较研究
本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家(EU27&英国,意大利,德国,西班牙)和印度的电力,工业,陆上交通,国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者,并利用 LSTM 模型进行准确的预测,为政策决策,缓解策略和应对气候变化提供洞察。
Jul, 2023
本研究利用人工智能技术,提高先前繁琐的 CO2 排放估算方法,进行算法和模型比较,并利用机器学习、深度学习和集成学习方法预测全球温度上升,以此为基础制定政策,如采用电动汽车减少汽车排放。
Nov, 2022
二十个高人类发展指数国家的 CO2 排放的决定因素,经济、环境、能源利用和可再生资源等因素的纵向研究,应用统计技术和机器学习方法,预测排放趋势和相似排放模式,为制定更加集中和有效的碳减排政策提供实用洞察。
May, 2024
本研究使用世界银行数据集,通过采用机器学习技术对未来十年二氧化碳排放情况进行预测,并对决策树、线性回归、随机森林和支持向量机等不同机器学习模型在相似数据集上的预测表现进行比较。
Nov, 2022
本研究利用两个月的空气质量数据,通过提出一种新颖的机器学习方法,在全球 197 个首都的世界天气数据库中运用气象、空气污染物和空气质量指数特征,预测下一天的空气质量。通过评估多个机器学习模型,证明了随机森林算法在分类而非回归应用时可靠性预测的有效性,模型的泛化能力提高了 42%,回归交叉验证得分为 0.38,分类交叉验证得分为 0.89。研究还考虑了可解释的机器学习,给出了在高资源和低资源环境中实施该解决方案的成本估算及技术许可商业模式的初步尝试。该研究突出了资源有限国家在等待更大数据集以进一步改进预测能力之际,自主预测空气质量的潜力。
Jan, 2024
本文介绍了一种基于深度学习模型(UNet++),利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证,以预测未来一个月的全球温度,发现该模型可以显著地提高预测准确度。
Feb, 2023
使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务,本文将回顾多种深度学习算法,包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型,以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性,结果表明,较低的平均绝对误差(MAE)值可以更准确地预测股价。
Feb, 2024
本文评估了采用机器学习模型预测燃气轮机排放的性能,在 Siemens Energy 的测试数据集上比较了现有预测排放模型,基于 SAINT 和 XGBoost 开发的两个机器学习模型,以展示采用机器学习技术可获得氮氧化物(NOx)和一氧化碳(CO)的改进预测性能,并探索了包含更多特征以增强模型复杂性与数据集中缺失值增加之间的平衡。
Jul, 2023
该文提出了一种基于 Gated Recurrent Unit 的深度学习方法,用于预测澳大利亚维多利亚州在野火季节中的电力负荷,模型考虑到多个因素,使用降温关联因素以及灵活的数据输入结构,与 LSTM 相比表现更好,可以实现 3%的平均预测 MAPE,对维多利亚州而言可能有年度能源节约 8046 万澳元的潜在效益。
Apr, 2023
本研究比较了传统方法和新兴神经网络方法的时间序列预测性能,使用了各种度量标准来评估它们的性能,结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好,且其预测能力不会因训练数据量减少而降低。这表明,将深度学习方法纳入预测场景中显著优于传统方法,并可处理复杂的数据集,在天气预报和其他时间序列应用等各种领域具有潜在应用。
Jun, 2023