基于组合预测模型的交通碳排放量预测研究_沙爱敏.pdf

低碳环保与节能减排72节能 ENERGY CONSERVATIONNO.01 2023基于组合预测模型的交通碳排放量预测研究沙爱敏1 陈婷1 吕凡任1 王晓东2（1.扬州职业大学土木工程学院，江苏 扬州 225009；2.仪征市交通运输局，江苏 仪征 211400）摘要：为了构建交通碳排放量的预测模型与方法，以扬州交通碳排放量为研究对象，基于组合预测模型理论，通过赋予灰色Verhulst模型、Logistic模型、Gompertz模型不同权重系数建立最优组合预测模型。结果显示：组合预测模型的预测精度和可靠性明显高于单项预测模型，具有明显的优越性，能够较为准确地预测交通碳排放量。关键词：交通运输；碳排放；组合预测模型中图分类号：X321 文献标识码：A 文章编号：1004-7948（2023）01-0072-04 doi：10.3969/j.issn.1004-7948.2023.01.019Research on carbon emission projection of transportation based on combination projection modelSHA Ai-min CHEN Ting LYU Fan-ren WANG Xiao-dongAbstract：In order to build a transport carbon emission prediction model and method,taking the transportation carbon emissions of Yangzhou as the research object,based on combination prediction model theory,the grey Verhulst model,Logistic model and Gompertz model were given different weight coefficients to establish the optimal combination prediction model.The results show that the prediction accuracy and reliability of the combined prediction model are obviously higher than that of the single prediction model,which has obvious advantages and can accurately predict the transportation carbon emissions.Key words:transport sector;carbon emission;combination projection model引言交通运输业的碳排放量约占全国终端碳排放量的15%，面临碳减排压力1-2。交通运输处于绿色转型的重要时期，预测交通碳排放量有助于把握交通运输业的发展动向，对交通运输业碳排放因素的分析具有重要作用。交通碳排放量的预测结果也是交通运输绿色发展战略的重要决策依据。预测交通碳排放量的方法主要包括情景预测法、灰色预测法、BP神经网络预测法、曲线拟合法、影响因素分解模型预测法等3-4。以20082019年扬州交通碳排放量测算数据为基础，通过对比分析，在充分考虑单个模型优势和局限性的基础上，选择灰色Verhulst模型、Logistic模型、Gompertz模型进行优化组合，赋予单个模型变权重系数，建立最优组合预测模型，从而提升交通碳排放预测模型的精确度。1组合预测模型组合预测利用各单项预测模型包含的已知信息，赋予不同单项预测模型权重系数，以加权平均形式构建更全面、更系统的模型。权重系数是决定组合预测模型精度和有效性的关键，分为定权重系数和变权重系数。各单项预测模型在不同预测时刻的预测精度不断变化，较少采用定权重组合预测。根据已有预测实践，变权重组合预测法较为精确。假定最优的变权重系数是随时间变化的函数，以预测误差平方和最小为目标函数，通过规划方法求解函数的权重系数，该方法计算复杂且会出现权重系数为负数的情况5。因此，文中选择预测误差平方和倒数分配法，方便工程技术人员进行应用。预测误差平方和越大，表明预测模型精度越低，在组合模型中的重要性越低，误作者简介：沙爱敏（1981），女，硕士，副教授，研究方向为道路交通节能与管理。基金项目：2022年度扬州市社科重点课题（项目编号：2022067）；扬州市职业大学优秀青年骨干教师资助（项目编号：扬职大20208号）；扬州市职业大学科技创新团队建设资助（项目编号：KYCXTD201905）；江苏省高等职业院校专业带头人高端研修资助项目（项目编号：2020GRFX107）收稿日期：2022-06-07引用本文：沙爱敏，陈婷，吕凡任，等.基于组合预测模型的交通碳排放量预测研究 J.节能，2023，42（1）：72-75.低碳环保与节能减排73NO.01 2023节能 ENERGY CONSERVATION差平方和较大的单项预测模型在组合模型中赋予的权重系数较小；预测误差平方和较小的单项预测模型在组合预测模型中赋予权重系数较大。1.1最优变权重组合模型权重系数假设预测问题有n个单项模型和m个时间序列，yt为第t(t=1,2,m)期的交通碳排放量的实际值，Y?i(t)为第i个模型在第t期的预测值，ki(t)为第i个模型在第t期的权重系数，ki(t)0(i=1,2,n)。i=1nki(t)=1,(t=1,2,m)(1)变权重组合预测模型为：Y?(t)=i=1nki(t)Y?i(t)(2)式中：Y?(t)变权重组合预测模型第t期预测值。第i个单项模型在第t期的预测误差为：pit=Y?i(t)-y(t)(3)ki(t)=(p2it)-1i=1n(p2it)-1(4)利用已有交通碳排放量数据建立组合预测模型，求得各期预测值，当需计算组合预测模型r+j(j=1,2,)期后的权重系数时，可用式（4）计算。ki(r+j)=t=1mki(t)/m,(i=1,2,n)(5)1.2预测模型精度评价指标为了对预测效果进行全方位的综合性评价，需要建立可行的评价指标体系，比较不同预测方法的精度。模型的预测精度与其产生的预测误差直接相关，误差越小表明该模型的预测精度显著高于其他模型，预测效果越好。计算评价组合模型整体预测效果的指标6。绝对误差平方和SSE为：SSE=t=1m()yt-Y?t2(6)相对误差平方和SSPE为：SSPE=t=1myt-Y?tyt 2(7)标准差SE为：SE=t=1m(yt-Y?t)2m(8)平均绝对百分比误差MAPE为：MAPE=1mt=1m|yt-Y?tyt100%(9)均方百分比误差MSPE为：MSPE=1mt=1m()yt-Y?tyt2(10)2交通碳排放量预测2.1单项预测模型对比根据扬州交通碳排放测算数据，运用Origin软件对Logistic 模型、Gompertz 模型进行交通碳排放量曲线拟合，拟合程度借助拟合优度R2评价，R2的取值范围为01。R2越接近1，模型的拟合程度越好。运用Matlab软件对灰色Verhulst模型进行参数估计，构建模型。灰色Verhulst模型表达式为：y?1t=504.726 71+3.335 7e-0.243 4t(11)Logistic模型表达式为：y?2t=464.171 11+4.458 0e-0.269 9t(12)Gompertz模型表达式为：y?3t=638.389 6e-e(0.718 9-0.127 4t)(13)灰色Verhulst模型后验差比值为0.067 10.95，模型预测精度为一级。Logistic模型拟合优度R2=0.991 6，Gompertz模型R2=0.989 8，较接近1，表明模型拟合程度较好。根据模型精度检验标准，3种模型的预测精度都属于高精度预测，能对交通碳排放量和变化趋势进行预测。交通碳排放量实际值曲线与3种单项模型预测曲线如图1所示。交通碳排放量各模型预测值与实际值的相对误差如表1所示。图1交通碳排放量实际值曲线与3种单项模型预测曲线表1交通碳排放量各模型预测值与实际值的相对误差年份200820092010201120122013201420152016201720182019时间序列123456789101112相对误差/%灰色Verhulst模型06.8310.338.5710.461.750.321.824.004.700.971.27Logistic模型8.080.713.643.015.781.763.073.952.233.302.040.37Gompertz模型10.190.614.844.346.711.503.394.641.402.712.031.25低碳环保与节能减排74节能 ENERGY CONSERVATIONNO.01 2023由图1可知，灰色Verhulst模型和Logistic模型后期增长速度较慢，收敛速度较快，预测值比实际值相对偏小；Gompertz模型后期增长速度较快，收敛速度较慢，预测值比实际值相对偏大。3种单项模型具有局限性，存在一定的误差，难以满足预测需求。综合利用3种预测模型提供的有价值信息，将3种预测模型进行适当组合，建立交通碳排放量的变权重组合预测模型，能够提高预测精度和预测的可靠性。由表1可知，灰色Verhulst模型平均相对预测误差为4.25%，Logistic模型平均相对误差为3.16%，Gompertz模型平均相对误差为3.64%。2.2组合预测模型建立利用组合预测模型最优权重系数的确定方法，计算灰色Verhulst模型、Logistic模型和Gompertz模型各期的权重系数，得到未来预测期的权重系数。通过最优变权重系数组合3个模型，从而计算组合预测模型后期沉降预测值，最优权重组合预测模型的表达式为Y?t=0.359 9y?1t+0.349 4y?2t+0.290 6y?3t。交通碳排放量组合预测模型预测值分析如表2所示。组合预测模型的平均相对误差为2.18%，低于单项模型误差，组合预测模型的拟合效果更好，精度更高。20182019 年组合预测模型的相对预测误差平均值为0.91%，灰 色 Verhulst 模 型 为 1.12%，Logistic 模 型 为1.21%，Gompertz模型为1.64%，组合预测模型的预测精度明显提高，后期预测较准确。不同模型交通碳排放量预测值和实际值曲线如图2所示。组合预测模型的预测曲线更光滑，与实际值曲线的相关性较好，组合预测模型预测值更接近交通碳排放量实际值，与实际值变化趋势相吻合，预测效果显著，弥补了后期Gompertz模型预测偏大和灰色Verhulst模型、Logistic模型预测偏小的缺陷，具有更强的可靠性和实用性。组合预测模型曲线早期增长速度较快，后期增速放缓并表现出收敛趋势，符合交通碳排放量规律，表明组合模型与交通碳排放量的适应性较好，能够较好地预测交通碳排放量。各项预测模型的精度指标如表3所示。根据MAPE衡量，4种预测模型的精度均小于10，属于高精度预测，但组合预测模型的MAPE值明显小于其他3种模型，表明组合模型的预测精度得到进一步提高。分析评价预测模型精度和可靠性其他指标，Verhulst模型的指标值最大，其次为Gompertz模型和Logistic模型，组合预测模型的指标值最小，表明组合预测模型的预测精度均优于各单项模型，预测方法更可靠，更适用于交通碳排放量预测。20202040年扬州交通碳排放量预测值如表4所示。从预测结果可知，20202040年扬州交通碳排放量增速逐渐减缓，最高增速为3.85%，最低为0.16%，绝大多数年份的增速低于2%，年平均增速为1.14%。2030年之后，扬州交通碳排放量平均增速仅为0.35%，表明扬州运输业减碳行动有所成效。后期扬州交通碳排放量增速大幅减缓，但总量