基于组合集成学习模型的区域碳排放预测方法研究

摘要：

在低碳发展的大背景下,区域碳排放预测模型研究对未来双碳目标任务制定与实施的具有重要指导意义.Elas-ticNet-XGBRegressor模型是一种组合集成学习模型,其中ElasticNet模型为特征筛选模型,XGBRegressor模型为区域碳排放预测模型.通过采用STIRPAT模型原理和IPCC排放因子法构建包含25个特征的原始数据集,并验证提出模型的有效性,以实证对照实验的方式进行,ElasticNet-XGBRegressor模型作为实验组,Spearman特征筛选和常见机器学习方法组合作为对照.结果表明,ElasticNet-XGBRegressor模型在RMSE、MAPE和R2等模型评价指标上全面优于对照组,说明了ElasticNet-XGBRegressor模型在区域碳排放预测中的优越性.通过创新性的将回归模型与决策树集成学习模型相结合,利用ElasticNet模型的特征筛选能力和集成学习的高准确性与鲁棒性提高了预测模型的精度和稳定性.

关键词：区域碳排放、集成学习、ElasticNet模型、XGBRe-gressor模型、特征筛选

所属期刊栏目：25

分类号：TM73;F426(输配电工程、电力网及电力系统)

资助基金：国网河南省电力公司科技项目5217L022000G

在线出版日期：2023-07-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：55-59