基于 DPR 框架碳排放分析的定量能耗预测
机器学习
2025-05-20 v5
摘要
本研究提出一种新颖的分析框架，将 DBSCAN 聚类与弹性网络回归模型相集成，以解决具有结构复杂与多重共线性特征的多因子问题，碳排放分析即为一例。DBSCAN 用于无监督学习以客观地对特征聚类，而弹性网络用于高维特征选择与复杂度控制。弹性网络因其能通过结合 L1（套索）与 L2（岭）惩罚来平衡特征选择与正则化而被特别选用，使其尤其适用于具有相关预测变量的数据集。将该框架应用于中国 46 个行业 2000–2019 年能耗数据，识别出 16 个类别。对每类定量评估了排放特征与驱动因素，证明了该框架识别主要排放源并提供可操作见解的能力。本研究强调了该框架在分析碳排放等复杂区域挑战方面的全球适用性，并凸显其识别减排机遇的潜力。
引用
@article{arxiv.2309.01115,
title = {Quantitative Energy Prediction based on Carbon Emission Analysis by DPR Framework},
author = {Xuanming Zhang},
journal= {arXiv preprint arXiv:2309.01115},
year = {2025}
}
备注
We are re-checking this method's generalizability and repeating related experiments. New versions of DPR will be released later