如今全球碳排放問題日趨嚴重,中國正在積極推動各產(chǎn)業(yè)實現(xiàn)低碳和綠色化發(fā)展。建筑行業(yè)是實現(xiàn)節(jié)能減排目標的重點領域。實現(xiàn)建筑業(yè)的低碳發(fā)展的基礎工作是進行行業(yè)CO₂排放量測算和預測,提高CO₂排放預測模型精度對幫助建筑業(yè)部門實現(xiàn)節(jié)能減排有重要意義。本文擬基于具有非線性處理優(yōu)勢的BP神經(jīng)網(wǎng)絡和支持向量機算法,開展基于機器學習的建筑業(yè)二氧化碳排放智能預測模型研究。本文首先對建筑業(yè)二氧化碳排放現(xiàn)狀進行分析,對建筑業(yè)二氧化碳排放邊界進行界定,并在此基礎上建立建筑業(yè)二氧化碳排放測算模型,得到各年建筑業(yè)二氧化碳排放量數(shù)據(jù);通過文獻的調(diào)研選取12個建筑業(yè)二氧化碳排放因素,并基于隨機森林算法對影響因素進行選擇,發(fā)現(xiàn)建筑業(yè)房屋竣工面積為最重要影響因素,并確定GDP、建筑業(yè)總產(chǎn)值、建筑業(yè)房屋竣工面積、建筑業(yè)勞動生產(chǎn)率、建筑企業(yè)從業(yè)人數(shù)、建筑業(yè)一次能源消耗量作為建筑業(yè)二氧化碳排放預測模型的輸入變量。其次針對傳統(tǒng)預測模型在建筑業(yè)二氧化碳排放預測中的不足,本文提出BP神經(jīng)網(wǎng)絡和支持向量機兩種預測模型并對其進行仿真模擬,以平均相對誤差、平均絕對誤差、均方根誤差和²

【文章來源】：西安建筑科技大學陜西省

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

影響因素重要度

西安建筑科技大學碩士學位論文26圖4.1神經(jīng)元模型用于網(wǎng)絡訓練學習的算法很大程度上決定了神經(jīng)元的結構方式。所以神經(jīng)網(wǎng)絡設計中使用的學習算法也被認為是結構化的。神經(jīng)網(wǎng)絡根據(jù)網(wǎng)絡體系結構的不同通常分為三類[96]:①單層前饋網(wǎng)絡單層前饋網(wǎng)絡是結構最簡的層次性神經(jīng)網(wǎng)絡，它的網(wǎng)絡結構中不出現(xiàn)隱藏層，由輸入層將輸入信號傳遞到輸出層。單層前饋神經(jīng)網(wǎng)絡的結構如圖4.2所示：圖4.2單層神經(jīng)網(wǎng)絡結構②多層前饋網(wǎng)絡在網(wǎng)絡結構方面，和單層網(wǎng)絡相比，多層前饋神經(jīng)網(wǎng)絡增加了隱藏層，關于隱藏層層數(shù)的確定沒有理論可參考，一般按照輸入數(shù)據(jù)特點進行確定。隱藏層中的神經(jīng)元即為隱藏神經(jīng)元。其作用為根據(jù)需要調(diào)節(jié)輸入信號和輸出信號之間的關聯(lián)。神

西安建筑科技大學碩士學位論文26圖4.1神經(jīng)元模型用于網(wǎng)絡訓練學習的算法很大程度上決定了神經(jīng)元的結構方式。所以神經(jīng)網(wǎng)絡設計中使用的學習算法也被認為是結構化的。神經(jīng)網(wǎng)絡根據(jù)網(wǎng)絡體系結構的不同通常分為三類[96]:①單層前饋網(wǎng)絡單層前饋網(wǎng)絡是結構最簡的層次性神經(jīng)網(wǎng)絡，它的網(wǎng)絡結構中不出現(xiàn)隱藏層，由輸入層將輸入信號傳遞到輸出層。單層前饋神經(jīng)網(wǎng)絡的結構如圖4.2所示：圖4.2單層神經(jīng)網(wǎng)絡結構②多層前饋網(wǎng)絡在網(wǎng)絡結構方面，和單層網(wǎng)絡相比，多層前饋神經(jīng)網(wǎng)絡增加了隱藏層，關于隱藏層層數(shù)的確定沒有理論可參考，一般按照輸入數(shù)據(jù)特點進行確定。隱藏層中的神經(jīng)元即為隱藏神經(jīng)元。其作用為根據(jù)需要調(diào)節(jié)輸入信號和輸出信號之間的關聯(lián)。神

【參考文獻】：
期刊論文
[1]基于系統(tǒng)動力學的中國建筑業(yè)碳排放預測研究[J]. 趙冬蕾,劉伊生.  河南科學. 2019(12)
[2]基于超效率三階段DEA模型的建筑業(yè)碳排放研究[J]. 宋金昭,陳策,王曉平,胡振.  環(huán)境科學與技術. 2019(01)
[3]中國二氧化碳排放峰值的情景預測及達峰特征——基于粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡分析[J]. 段福梅.  東北財經(jīng)大學學報. 2018(05)
[4]中國建筑業(yè)優(yōu)化升級對其碳排放影響的分階段研究[J]. 樊琳梓,李爽,裴志海.  技術經(jīng)濟. 2018(08)
[5]基于系統(tǒng)動力學的建筑碳排放預測研究[J]. 劉菁,趙靜云.  科技管理研究. 2018(09)
[6]基于STIRPAT模型的重慶市建筑碳排放影響因素研究[J]. 黃振華.  項目管理技術. 2018(05)
[7]遺傳小波神經(jīng)網(wǎng)絡在機床碳排放預測中的應用[J]. 程樂棋,張華,鄢威,馮豪.  機械設計與制造. 2018(05)
[8]中國城鎮(zhèn)化對建筑業(yè)碳排放影響的時空差異[J]. 盧娜,馮淑怡,陸華良.  北京理工大學學報(社會科學版). 2018(03)
[9]基于系統(tǒng)動力學的甘肅省碳排放峰值預測[J]. 孔佑花,王麗,郭志玲,姜云超,王博.  環(huán)境工程技術學報. 2018(03)
[10]中國建筑業(yè)碳排放強度影響因素分析[J]. 宋金昭,苑向陽,王曉平.  環(huán)境工程. 2018(01)

博士論文
[1]面向醫(yī)學數(shù)據(jù)的隨機森林特征選擇及分類方法研究[D]. 姚登舉.哈爾濱工程大學 2016
[2]建筑業(yè)二氧化碳排放及能源環(huán)境效率測算分析研究[D]. 馮博.天津大學 2015
[3]中國建筑能耗影響因素分析模型與實證研究[D]. 蔡偉光.重慶大學 2011
[4]我國城鎮(zhèn)住宅空調(diào)生命周期能耗與資源消耗研究[D]. 李兆堅.清華大學 2007

碩士論文
[1]基于IGWO-SVM模型的河北省碳排放情景預測研究[D]. 楊帆.華北電力大學 2019
[2]我國建筑產(chǎn)業(yè)碳排放強度影響因素及減排策略研究[D]. 苑向陽.西安建筑科技大學 2018
[3]粒子群算法改進及其在旋風分離器結構優(yōu)化中的應用[D]. 樊呂彬.太原理工大學 2017
[4]中國建筑業(yè)碳排放強度空間特征及其影響因素研究[D]. 王寧.長安大學 2017
[5]基于支持向量機的風電場風速預測方法研究[D]. 周會友.華北電力大學(北京) 2017
[6]改進網(wǎng)格搜索的支持向量機參數(shù)優(yōu)化研究及應用[D]. 顧凱成.蘭州理工大學 2016
[7]中國建筑行業(yè)碳排放測算及影響因素分解分析[D]. 陳進道.重慶大學 2016
[8]湖北省建筑碳排放情景預測與峰值調(diào)控研究[D]. 應華權.華中科技大學 2015
[9]基于LMDI和MV模型碳排放因素與預測的低碳城市建設研究[D]. 劉暢.華北電力大學 2013
[10]基于時間序列的電力系統(tǒng)短期負荷預測研究[D]. 萬志宏.華南理工大學 2012



本文編號：3468296