Sep, 2023

基于机器学习的碳排放预测与清洁产业转型：四川省案例研究

PDF
TL;DR通过矩阵归一化，对四川 46 个关键行业 2000-2019 年的能源消耗数据进行预处理，使用 DBSCAN 聚类识别了 16 个特征类别，应用惩罚回归模型进行了能源数据复杂性的过拟合控制、高维数据处理和特征选择，并找出了二氧化碳排放量最高的第二类煤炭产业集群，也发现了与汽油和焦炭相关的排放显著。基于这一研究结果，提出了减排建议包括清洁煤技术、交通管理、钢铁中的煤电替代和行业标准化。总结来说，该研究通过 DBSCAN 和惩罚回归模型等算法确定了行业集群，评估了排放驱动因素，并提出了科学减排策略，以更好地为决策提供支持。
发现论文，激发创造
  • 基于机器学习算法的低碳节能旅游数据特征分析与挖掘

    通过机器学习算法对低碳出行数据进行特征分析和挖掘，本研究旨在研究居民低碳意识形成机制，为交通管理者引导城市居民选择低碳出行方式提供重要依据。实验结果表明，居民低碳出行意愿可分为三类：强烈、中立和不强烈；而职业、居住地、家庭结构和通勤时间是最重要的因素之一。该方法从多个方面为城市交通低碳的发展和管理提供政策建议。

    Dec, 2023

  • 机器学习和深度学习技术在汽车 CO2 排放预测方面的比较研究

    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

  • 二氧化碳（CO₂）的预测、捕获和利用：应用时间序列分析、机器学习和材料设计的集成

    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

  • 一种综合应用统计和机器学习技术的高人类发展指数国家二氧化碳排放分析方法

    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

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023

  • 加拿大世界银行数据上的碳排放预测

    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

  • 用于预测燃气轮机排放的表格机器学习方法

    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

  • 基于物理的深度学习揭示挪威城市中升高的供暖需求增加空气污染

    研究探讨了气候因素对空气质量的影响，通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示，采暖度日增加与空气污染水平增加之间存在相关性，这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性，相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献，有助于决策者制定有效的数据驱动型气候政策。

    May, 2024

  • 面向深度工业迁移学习的聚类算法：迁移案例选择

    本文介绍了一种基于 BIRCH 聚类算法的传输案例选择机制，通过对聚类算法的调查，可以得出这种选择机制可以在不考虑顺序、大小和数据集的维数的前提下，提高传输结果的适用性，并在一个离散制造场景的工业时间序列数据集上进行了评估。

    Apr, 2022

  • 基于机器学习的框架，用于聚类住宅电力负载曲线以提升需求响应计划

    通过使用智能电表数据推导的负荷曲线，在实际案例研究中，我们提出了一种新颖的基于机器学习的框架，以实现通过适用于伦敦近 5000 个家庭的数据从而获得最佳负荷剖析。我们应用了四种广泛使用的聚类算法：K-means、K-medoids、层次凝聚聚类和基于密度的空间聚类。通过经验分析和多个评估指标来评估这些算法，并将问题重新定义为概率分类问题，并借助可解释的 AI（xAI）来提高解决方案的可解释性。根据聚类算法的分析，此案例的最佳聚类数为七个，但是我们的方法表明其中两个聚类，约占数据集的 10％，存在显着的内部差异，因此我们将其进一步划分为总共九个聚类。我们的解决方案具有可扩展性和多功能性，使其成为希望为用户细分以创建更有针对性的需求响应计划的电力公用事业公司的理想选择。

    Oct, 2023