论文速递 | 基于MIC-ICEEMD-RIME-DHKELM的碳排放预测模型研究
目录
- 参考文献
- 内容介绍
- 作者擅长碳排放预测模型
参考文献
内容介绍
本文提出了一种基于最大信息系数（MIC）特征提取、改进互补集合经验模态分解（ICEEMD）、雾凇优化算法（RIME）与深度混合核极限学习机（DHKELM）的建筑业碳排放量预测模型。首先，根据 IPCC 计算方法，从直接和间接两个方面测算 1992-2021 年我国建筑业碳排放量，基于 STIRPAT 模型选取年末总人口数、国内生产总值、建筑业房屋竣工面积和能源结构等 17 个影响建筑业碳排放量的因素，然后利用灰色关联分析和 MIC 方法两阶段筛选出 12 个关键影响因素；其次，使用 ICEEMD 将建筑业碳排放量分解为多个平稳序列和一个残差项，并将其分别带入 RIME 算法优化关键参数后的 DHKELM 模型中。最后，将各分解序列的预测结果相加获得建筑业碳排
放预测值，并对比分析多种基准模型的预测结果。结果显示：MIC-ICEEMD-RIME-DHKELM 模型的预测性能最优，证明该模型适用于建筑业碳排放量的预测，为建筑业的低碳发展提供了重要的理论支持和技术参考。
作者擅长碳排放预测模型
各种机器学习/深度学习+智能算法碳排放预测模型研究
不限于：
1.BP神经网络碳排放预测模型研究（GA-BP、PSO-BP、RIME-BP等等）
2.LSTM神经网络碳排放预测模型研究（GA-LSTM、PSO-LSTM、RIME-LSTM等等）
3.CNN神经网络碳排放预测模型研究（GA-CNN、PSO-CNN、RIME-CNN等等）
4.CNN-LSTM神经网络碳排放预测模型研究（GA-CNN-LSTM、PSO-CNN-LSTM、RIME-CNN-LSTM等等）
5.Transfomer神经网络碳排放预测模型研究（GA-Transfomer、PSO-Transfomer、RIME-Transfomer等等）