统计与机器学习模型在近实时每日排放量预测上的比较研究
人工智能
2023-02-03 v1 机器学习
物理与社会
摘要
二氧化碳排放的快速增长是全球变暖与气候变化的主要原因，对人类生存构成巨大威胁并对全球生态系统产生深远影响。因此，通过准确及时地预测和分析变化趋势来有效控制二氧化碳排放十分必要，以便为减排措施提供参考。本文旨在基于 2020 年 1 月 1 日至 2022 年 9 月 30 日中国各部门（电力、工业、地面交通、居民、国内航空、国际航空）的单变量每日时间序列数据，选取合适模型预测近实时每日排放量。我们提出六种预测模型，包括三种统计模型：灰色预测（GM(1,1)）、自回归积分滑动平均（ARIMA）和带外生因子的季节性自回归积分滑动平均（SARIMAX）；三种机器学习模型：人工神经网络（ANN）、随机森林（RF）和长短期记忆（LSTM）。为评估这些模型的性能，引入并详细讨论了五项准则：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）。结果显示，三种机器学习模型表现优于三种统计模型，其中 LSTM 模型在五项准则值上表现最佳，其每日排放量预测的 MSE 值为 3.5179e-04、RMSE 值为 0.0187、MAE 值为 0.0140、MAPE 值为 14.8291%、R² 值为 0.9844。
引用
@article{arxiv.2302.01152,
title = {A comparative study of statistical and machine learning models on near-real-time daily emissions prediction},
author = {Xiangqian Li},
journal= {arXiv preprint arXiv:2302.01152},
year = {2023}
}