基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

摘要：

铁路运输的低碳发展对交通系统实现"双碳"战略目标有着重要意义.针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆(LSTM)网络,构建铁路运输碳排放量预测模型.采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入;考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性.以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明:改进LSTM模型将相对误差平均值降低至0.392％,而原LSTM模型为3.862％,BPNN模型为1.535％,RNN模型为0.760％,即改进LSTM模型具有更高预测准确性;根据历史趋势和发展政策设置基准情景和3种未来减排情景,利用改进LSTM模型预测未来10年铁路运输碳排放量,在4种模拟情景下,铁路运输2030年的碳排放量分别为9.83×106 t、8.91×106 t、8.62×106 t和8.09×106 t.综上所述,引入滑动窗口的改进LSTM模型能进一步提高铁路运输碳排放量预测准确性,融合动态政策的情景分析可为未来铁路运输低碳发展提供可行路径.

关键词：铁路运输、碳排放、碳排放预测、LSTM网络、滑动窗口

所属期刊栏目：41

分类号：U29;F532(铁路运输管理工程)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2023-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：169-178