我國碳排放量預(yù)測模型

1、我國碳排放量預(yù)測模型摘要本文主要我國碳排放預(yù)測問題，同時根據(jù)預(yù)測結(jié)果提出合理性建議。以人口總量，城鎮(zhèn)化，人均GDP第三產(chǎn)業(yè)GDFtt例，能源強度噸標準煤，煤炭消費比例的數(shù)據(jù)，建立GM(1,1)預(yù)測模型、多元線性回歸預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，借助Matlab軟件逐個對碳排放量和影響因素數(shù)據(jù)進行模擬與預(yù)測，然后采用絕對誤差與相對誤差兩個參數(shù)對模型進行評價與對比，接著應(yīng)用關(guān)聯(lián)度分析法求得影響因素的重要性排序，最后結(jié)合重要性排序向相關(guān)部門提出建議。對于GM(1,1)預(yù)測模型，通過對1986至2010年原始單變量數(shù)據(jù)進行生成處理，尋找系統(tǒng)的變化規(guī)律建立相應(yīng)的微分方程預(yù)測模型，代入相關(guān)單變量數(shù)據(jù)用M

2、atlab編程得到各單變量在2011至2015年的預(yù)測值。對于多元線性回歸預(yù)測模型，確定線性預(yù)測變量和因變量，即影響因素和測度指標，將數(shù)據(jù)代入Matlab統(tǒng)計軟件，求得多元線性方程，將1986至2010年所有數(shù)據(jù)代入該方程，同時結(jié)合GM(1,1)預(yù)測模型對2011至2015年各單變量預(yù)測結(jié)果，用Matlab編程得到對應(yīng)年份的碳排放量模擬值和預(yù)測值。對于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，首先根據(jù)碳排放量的排放趨勢，確定輸出層、中間隱層和輸入層，然后把樣本分為訓(xùn)練樣本和測試樣本兩個部分，在以上基礎(chǔ)，對樣本數(shù)據(jù)進行歸一化預(yù)處理，結(jié)合GM(1,1)預(yù)測模型對2011至2015年各單變量預(yù)測結(jié)果，采用Matlab軟

3、件中的神經(jīng)網(wǎng)絡(luò)計算功能，建立合理訓(xùn)練模型得到對應(yīng)年份的旅游人數(shù)模擬值和預(yù)測值。在模型求解過程中,將得到其對應(yīng)的平均絕對誤差值和相對誤差值，通過比較知3個預(yù)測模型的精確度都合格。其中BP神經(jīng)網(wǎng)絡(luò)模型誤差最小，預(yù)測效果最佳，三種模型2011-2015年預(yù)測數(shù)據(jù)如下表。20112012201320142015GM(1,1)模型77.864183.485289.512195.9741102.9026線性回歸模型85.07390.464696.1978102.2945108.7775Bp網(wǎng)絡(luò)模型87.202995.4649104.5097114.4115125.2514對于影響因素重要性確定，本文應(yīng)用關(guān)

4、聯(lián)度分析法建立因素排序模型，將數(shù)據(jù)代入關(guān)聯(lián)系數(shù)公式得出影響因素數(shù)列對參考數(shù)列在每個年份的關(guān)聯(lián)系數(shù)，關(guān)聯(lián)度即各個關(guān)聯(lián)系數(shù)之和的平均值，按關(guān)聯(lián)度大小排序可得影響因素的重要性排序：人均GDPD煤炭消費比例城鎮(zhèn)化能源強度比例第三產(chǎn)業(yè)GDR匕例。最后根據(jù)重要性排序，向有關(guān)部門提出一些減少碳排放量的建議。關(guān)鍵詞：碳排放量預(yù)測GM(1,1)預(yù)測模型BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型多元線性回歸預(yù)測關(guān)聯(lián)度分析法碳排放Matlab軟件目錄1 .問題重述,42 .問題分析,43 .問題假設(shè),44 .符號說明,55 .模型建立與求解,55.1 GM(1,1)預(yù)測模型,65.1.1 模型思路，,，65.1.2 模型建立，,，65.

5、1.3 模型求解，,，75.2 多元線性回歸預(yù)測模型,95.2.1 模型思路，,，95.2.2 模型建立，,，105.2.3 模型求解，,，105.3BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，,，11* 模型思路，,，11* 模型建立，,，11* 模型求解，,，125.4因素排序模型,13模型思路，,，13模型建立，,，13模型求解，,，14.模型檢驗分析,14.建議，,，,，,，,，,，15.模型評價與推廣,15模型優(yōu)點,15模型缺點,15模型推廣,15參考文獻15,附錄16,附件一16,附件二16,附件二19,附件四22171II1,1、問題重述中國是世界上能源生產(chǎn)與消費大國。碳排放問題在我國已引起廣泛的關(guān)注

6、，“十二五”規(guī)劃中明確提出要“節(jié)約能源，降低溫室氣體排放強度”。要實現(xiàn)這一目標，需要對碳排放的影響因素進行深入分析，構(gòu)建科學的預(yù)測模型對未來碳排放進行預(yù)測，為制定有效的碳減排路徑提供決策依據(jù)。據(jù)此我們需要解決以下問題：1、收集中國歷年碳排放及其影響因素數(shù)據(jù)(收集至少近20年的相關(guān)數(shù)據(jù))；2、建立至少3種定量預(yù)測模型(其中GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)模型必需，其它可考慮微分方程、多元回歸分析等)對未來中國碳排放進行預(yù)測；3、結(jié)合若干性能評價指標對模型進行分析比較；4、指出影響碳排放的主要因素，向有關(guān)部門提出具體建議。2、問題分析本文整個過程主要解決問題是我國碳排放預(yù)測問題，通過分析確定測度指標為

7、碳排放量y,相關(guān)影響因素為以下六個方面：人口總量x1，城鎮(zhèn)化X2,人均GDPx3,第三產(chǎn)業(yè)GDP:匕例x4,能源強度噸標準煤X5,煤炭消費比例x6。本文將建立建立GM(1,1)預(yù)測模型、多元線性回歸預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，借助Matlab軟件逐個對碳排放量進行模擬與預(yù)測。3種定量預(yù)測模型各有各的優(yōu)勢與不足，故在幾處采用了多個預(yù)測模型相結(jié)合的方法進行預(yù)測，使得模型進一步優(yōu)化。通過關(guān)聯(lián)度分析得出影響因素的重要性排序，在此基礎(chǔ)上結(jié)合我國碳排放量的發(fā)展趨勢向有關(guān)部門提出合理建議，可提高模型建立的科學性。3、模型假設(shè)1、假設(shè)統(tǒng)計的數(shù)據(jù)真實科學，短期內(nèi)穩(wěn)定變化；2、假設(shè)建立模型中，個別偏離太遠的數(shù)

8、據(jù)可據(jù)題適當調(diào)整；3、假設(shè)碳排放量變化主要受人口總量，城鎮(zhèn)化，人均GDP第三產(chǎn)業(yè)GDP比例，能源強度噸標準煤，煤炭消費比例六方面因素的影響；4、假設(shè)碳排放量y值大部分呈線性，滿足多元線性回歸條件；5、假設(shè)影響碳排放量變化的各因素之間存在相關(guān)關(guān)系、各因素與碳排放量存在非線性關(guān)系，適用BP神經(jīng)網(wǎng)絡(luò)的性能。4、符號說明Xi:原始數(shù)據(jù)序列a:發(fā)展恢數(shù)b:內(nèi)生控制恢數(shù)Xi：自變量（i=1,2，5）y：測度指標口：參系數(shù)XT:樣本實際輸入值XiO:網(wǎng)絡(luò)模型輸出值彳（k）：比較數(shù)列Xi對參考數(shù)列X0在k時刻的關(guān)聯(lián)系數(shù)P：分辨系數(shù)，且P?0,1ri:數(shù)列Xi對參考數(shù)列X0的關(guān)聯(lián)度5、模型建立與求解本文探討的是

9、中國碳排放量的預(yù)測模型，根據(jù)中國近25年的碳排放量變化趨勢進行解題。本文確定測度指標為碳排放量，相關(guān)影響因素為以下六方面：人口總量Xl，城鎮(zhèn)化X2，人均GDFX3,第三產(chǎn)業(yè)GDR：匕例X4，能源強度噸標準煤X5,煤炭消費比例X6。根據(jù)2011年全國年鑒統(tǒng)計表得到有關(guān)真實數(shù)據(jù)如下：表11986至2010年各自變量及測度指標有關(guān)數(shù)據(jù)年份人口/（萬人）城鎮(zhèn)化/%5三人均GDP/一小、GDP比（兀/%例標準煤/（萬元）煤炭消費比例/%碳排放量/億噸198610750724.5296329.149.875.819.70823198710930025.32111229.649.476.221.027819

10、8811102625.81136630.519.176.122.40368198911270426.21151932.069.176.122.75338199011433326.41164431.548.976.222.69709199111582326.94189333.698.676.123.69252199211717127.46231134.767.975.724.49162199311851727.99299833.727.474.726.26645199411985028.51404433.576.97528.31547199512112129.04504632.866.674.6

11、28.61685199612238930.48584632.776.273.528.93377199712362631.91642034.175.771.430.81745199812476133.35679636.235.370.929.67256199912578634.78715937.775.170.628.85722200012674336.22785839.024.869.228.4975200112762737.66862240.464.668.329.69576200212845339.09939841.474.56834.64843200312922740.531054241

12、.234.769.840.69239200412998841.761233640.38569.550.8978200513075642.991418540.514.970.855.12703200613144844.341650040.944.871.158.17144200713212945.892016941.894.571.162.56704200813280246.992370841.824.370.368.00468200913345048.342560843.434.270.474.63289201013409149.952999243.144.26882.409585.1GM(1

13、,1)預(yù)測模型?5.1.1模型思路建立GM(1,1)灰色動態(tài)預(yù)測模型，通過對1986至2010年原始單變量數(shù)據(jù)進在編程得行生成處理，包括累加、轉(zhuǎn)換、代入和還原等過程，以尋找系統(tǒng)的變化規(guī)律,此基礎(chǔ)上建立相應(yīng)的微分方程預(yù)測模型。代入相關(guān)單變量數(shù)據(jù)用Matlab到對應(yīng)變量在2011至2015年的預(yù)測值。?5.1.2模型建立X。步：假設(shè)X0為原始非負序列:二X(0,1),X0,2,X0,n其中x(0,k)之0,k=1,2,-,25o利用累加生成序列可將序列X0=x(0,1),X(0,2/，X)生成序列X1：X1=X(1,1)，X1,2，X1,n其中X1,kkXX(0,ikkiT=1,2,，250第二步

14、:利用先生成的序列X1建立GM(1,1)模型的一般形式:(1)X0,kaz1,k=用微分方程表示如下：dxi+ax1=b,（2）dtZi為Xi的緊鄰均值生成序列：Z1=Z（1,1）,Z（1,2）,Z（i,n,其中z0,k）=0.5*x（1,k）+0.5*x”jk=1,2，25,（3）灰微分方程模型中a,b為待估參數(shù)，分別為發(fā)展恢數(shù)和內(nèi)生控制恢數(shù)；灰微分方程的最小二乘估計參數(shù)列滿足：Y為列向量，B為構(gòu)造矩陣1仃=（a,bT=（Bt*B）*Bt*Y,（4）-0.5*x（1,2j-0.5*x（1,1）11-0.5*x（1,30.5*x（1,2）1I：,0.5*x（1,n0.5*x（1,n）1第三步：

15、構(gòu)建灰色預(yù)測模型結(jié)合上述（1）、（3）、（4）求解（2）式得:b-ak.bx1,k1-(x1,0a)ea,k-1,2,n,因為xq,0廠乂5所以建立的灰色模型如下x1,k1=(x,1-b_akb)*e+,k=1,2,n,aa第四步：求出原始數(shù)據(jù)的還原值即可得到GM（1,1）預(yù)測模型:x(0,k+)=X(1,k書x(1,k)k=1,2,n。第五步：對模型進行后檢驗?zāi)Ｐ偷木_性?5.1.3模型求解表一中各自變量構(gòu)成原始非負序列，代入Matlab軟件得GM（1,1）對y值模擬結(jié)果如下：表5.1.3.11986至2010年y值GM(1,1)模型模擬結(jié)果年份y原始數(shù)據(jù)y模擬值絕對誤差相對誤差198619

16、.7082319.70820.000030.00%198721.027814.61526.412630.50%198822.4036815.67036.7333830.05%198922.7533816.80155.9518826.16%199022.6970918.01444.6826920.63%199123.6925219.31494.3776218.48%199224.4916220.70933.7823215.44%199326.2664522.20434.0621515.47%199428.3154723.80734.5081715.92%199528.6168525.52593.

17、0909510.80%199628.9337727.36871.565075.41%199730.8174529.34451.472954.78%199829.6725631.4629-1.79034-6.03%199928.8572233.7342-4.87698-16.90%200028.497536.1695-7.672-26.92%200129.6957638.7807-9.08494-30.59%200234.6484341.5803-6.93187-20.01%200340.6923944.582-3.88961-9.56%200450.897847.80043.09746.09%

18、2000555.1270351.25123.875837.03%200658.1714454.95113.220345.54%200762.5670458.91813.648945.83%200868.0046863.17144.833287.11%200974.6328967.73186.901099.25%201082.4095872.62159.7880811.88%模擬曲線如下:1101009080706050403020原始曲線GM(1,1)模擬曲線1001015202530圖5.1.3.2GM(1,1)模型y值模擬曲線同時得到2011至2015年相關(guān)預(yù)測結(jié)果如下表：表5.1.3.3

19、據(jù)GM(1,1)模型y值預(yù)測結(jié)果/201177.8641201283.4852201389.5121201495.97412015102.90265.2多元線性回歸預(yù)測模型?5.2.1模型思路由于1986至2010年各影響因素及測度指標有關(guān)數(shù)據(jù)呈現(xiàn)一定的遞增形式，故此采用多元線性回歸模型對其進行模擬與預(yù)測。確定線性預(yù)測變量和因變量，建立回歸矩陣。預(yù)測變量即六個影響因素：x1人口總量，X2城鎮(zhèn)化，X3人均GDP,x三產(chǎn)業(yè)GDPt匕例，X5能源強度噸標準煤，X6煤炭消費比例。將實際數(shù)據(jù)用Matlab軟件求解出符合該情況的多元線性方程，將1986至2010年所有數(shù)據(jù)代入該方程，同時結(jié)合GM(1,1)

20、預(yù)測模型對2011至2015年各單變量預(yù)測結(jié)果，用Matlab編程得到對應(yīng)變量的y的模擬值和預(yù)測值?5.2.2模型建立設(shè)回歸模型為：y=露+Bix+P5X5+&乂6,據(jù)題可導(dǎo)：yi0_1Xi1-5x5-6Xi6?5.2.3模型求解將實際數(shù)據(jù)用Matlab軟件求解出多元線性方程為：y=0.0016%+1.1399x2+0.0015x3-0.9702x4+5.8205x5+0.5353x6-246.3984;借助Matlab編程得到對應(yīng)變量y的模擬值：表5.2.3.11986至2010年y值線性回歸模擬結(jié)果年份y原始數(shù)據(jù)y模擬值絕對誤差相對誤差198619.7082324.3527-4.64447

21、-23.57%198721.027819.46751.560307.42%198822.4036820.70121.702487.60%198922.7533822.01320.740183.25%199022.6970923.4083-0.71121-3.13%199123.6925224.8918-1.19928-5.06%199224.4916226.4693-1.97768-8.07%199326.2664528.1469-1.88045-7.16%199428.3154729.9307-1.61523-5.70%199528.6168531.8276-3.21075-11.22%19

22、9628.9337733.8447-4.91093-16.97%199730.8174535.9896-5.17215-16.78%199829.6725638.2705-8.59794-28.98%199928.8572240.6959-11.83868-41.03%200028.497543.275-14.77750-51.86%200129.6957646.0176-16.32184-54.96%200234.6484348.934-14.28557-41.23%200340.6923952.0325-11.34011-27.87%200450.897855.333-4.43520-8.

23、71%2000555.1270358.8398-3.71277-6.73%200658.1714462.5688-4.39736-7.56%200762.5670466.5342-3.96716-6.34%200868.0046870.7508-2.74612-4.04%200974.6328975.2347-0.60181-0.81%201082.4095880.00282.406782.92%對2011至2015年區(qū)域旅游人數(shù)預(yù)測如下:表5.2.3.2據(jù)多元線性回歸模型y值預(yù)測結(jié)果年份碳排放量/億噸201185.073201290.4646201396.19782014102.294520

24、15108.77755.3BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型?5.3.1模型思路由于神經(jīng)網(wǎng)絡(luò)能很好識別各相關(guān)參數(shù)之間的非線性關(guān)系，這符合影響中國碳排放量影響因素的特點，故下文將用3層BP神經(jīng)網(wǎng)絡(luò)模型來分析和預(yù)測我國碳排放量。首先根據(jù)我國碳排放量的需求趨勢，確定輸出層、中間隱層和輸入層：輸出層的輸出節(jié)點為碳排放量y;用試湊法確定中間隱層節(jié)點數(shù)有數(shù)個，逐個做試驗，通過BP網(wǎng)絡(luò)訓(xùn)練結(jié)果比較，選取網(wǎng)絡(luò)訓(xùn)練誤差和網(wǎng)絡(luò)訓(xùn)練次數(shù)組合最優(yōu)所對應(yīng)的隱層神經(jīng)元數(shù)目；將碳排放量的影響因素作為確定對應(yīng)輸入層節(jié)點：X1人口總量，X2城鎮(zhèn)化，X3人均GDP,X4第三產(chǎn)業(yè)GDP:匕例，X5能源強度噸標準煤，X6煤炭消費比例。然后把樣本分

25、為訓(xùn)練樣本和測試樣本兩個部分，其中測試樣本用于對所建的網(wǎng)絡(luò)模型的檢驗和測試：將我國1986年至2000年的各因素數(shù)據(jù)作為訓(xùn)練樣本，2001年至2010年的數(shù)據(jù)作為測試樣本。在以上基礎(chǔ)，對樣本數(shù)據(jù)進行歸一化預(yù)處理，采用Matlab軟件中的神經(jīng)網(wǎng)絡(luò)計算功能，結(jié)合GM(1,1)預(yù)測模型對2011至2015年各單變量預(yù)測結(jié)果，建立合理訓(xùn)練模型進行數(shù)據(jù)測試和預(yù)測，實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型對碳排放的預(yù)測。?5.3.2模型建立5.3.2.1確定輸入層、輸出層經(jīng)分析確定輸入層節(jié)點數(shù)為6,體現(xiàn)為：X1人口總量，x2城鎮(zhèn)化，X3人均GDP,X4第三產(chǎn)業(yè)GDR匕例，X5能源強度噸標準煤，X6煤炭消費比例。5.3.2.2

26、數(shù)據(jù)預(yù)處理將1986-2010年的數(shù)據(jù)用Matlab軟件編程預(yù)測出2001-2010年的數(shù)據(jù)，把它與已知數(shù)據(jù)進行比較。5.3.2.3神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將所得資料數(shù)據(jù)從1986年至2000年的各因素數(shù)據(jù)作為訓(xùn)練樣本，2001年至2010年的數(shù)據(jù)作為測試樣本；網(wǎng)絡(luò)誤差計算：網(wǎng)絡(luò)模型輸出值與已知訓(xùn)練、測試樣本輸出值之差平方和開根號，計算公式如下ITO2error=IZ(x-Xi)；*5.3.2.4Bp模型預(yù)測對測試樣本結(jié)果進行誤差分析，然后結(jié)合GM(1,1)預(yù)測模型對2011至2015年六項因素預(yù)測結(jié)果，對20112015年碳排放量進行預(yù)測。?5.3.3模型求解表5.3.3.12001至2010年y值B

27、p網(wǎng)絡(luò)訓(xùn)練結(jié)果年份y原始數(shù)據(jù)y模擬值絕對誤差相對誤差200129.6957629.67650.019260.06%200234.6484338.6113-3.96287-11.44%200340.6923942.2695-1.57711-3.88%200450.897846.27374.62419.09%200555.1270350.65864.468438.11%200658.1714455.45822.713244.66%200762.5670460.71261.854442.96%200868.0046866.46481.539882.26%200974.6328972.7621.870

28、892.51%201082.4095879.65592.753683.34%Bp模型訓(xùn)練模擬曲線如下:檢驗期望數(shù)值十BP神經(jīng)網(wǎng)絡(luò)預(yù)測檢驗值一2002200320042005200620072008200920109080-7060-50-40-3020L2001StopTraining圖2Bp模型訓(xùn)y值模擬曲線對2011至2015年區(qū)域旅游人數(shù)預(yù)測如下：表9據(jù)Bp網(wǎng)絡(luò)模型y值預(yù)測結(jié)果Y/201187.2029201295.46492013104.50972014114.41152015125.25145.4因素排序模型?5.4.1模型思路應(yīng)用關(guān)聯(lián)度分析法建立因素排序模型，對數(shù)據(jù)進行量化比較分析

29、，將數(shù)據(jù)代入關(guān)聯(lián)系數(shù)公式，得出影響因素數(shù)列對參考數(shù)列在每個年份的關(guān)聯(lián)系數(shù)，從而得到關(guān)聯(lián)度，按關(guān)聯(lián)度大小排序即可得影響因素的重要性排序。?5.4.2模型建立選取參考數(shù)列：y=y(k)k=1,2,，n)=(y,y(2)，y(n),X0=y其中k表示時刻；假設(shè)有m個比較數(shù)列：Xi=Xi(k)|k=1,2,.,n=(x(1),x(2),.,Xi(n),i=1,2,.,m數(shù)列Xi對參考數(shù)列Xo在k時刻的關(guān)聯(lián)系數(shù):i(k)=minmin|X0(t)一Xs(t)|，pmaXmaX|X0(t)-Xs(t)|stst|Xo(k)-為的|：maXmaX|Xo(t)-Xs(t)|st其中minmin|Xo(t)-X

30、s(t)|與maXmaX|X0(t)-Xs(t)|分別為兩級最小差及兩級最大stst差，分辨系數(shù)P越大，分辨率越大，P越小，分辨率越小。(2)根據(jù)上述可得數(shù)列Xi對參考數(shù)列Xo的關(guān)聯(lián)度為:nk利用(2)公式，我們可以對各種問題進行因素分析，得到因素重要性排序。?5.4.3模型求解利用Matlab編程實現(xiàn)上述語句，代入1986至2010年各自變量及測度指標有關(guān)數(shù)據(jù)，得影響因素的重要性排序：人均GDP入口,煤炭消費比例城鎮(zhèn)化能源強度比例第三產(chǎn)業(yè)GDP:匕例，具體結(jié)果如下：表5.4.3.1因素重要性排序x3人均X4第二產(chǎn)業(yè)X5能源強度)(6煤炭消費因素X1人口x2城鎮(zhèn)化GDPGDP比例噸標準煤比例關(guān)

31、聯(lián)度0.94930.96620.71160.95640.9180.9432416536、模型檢驗分析本文將利用絕對誤差與相對誤差兩個參數(shù)對GM(1,1)預(yù)測模型、多元線性回歸預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型3個模型進行檢驗，同時對其精確度進行對比評價。由表5.1.3.1，表5.2.3.1，表5.3.3.1三表對比其中的絕對誤差和相對誤差知BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型誤差最小故其預(yù)測合理性最高，預(yù)測效果最佳。經(jīng)模型求解可得相關(guān)數(shù)據(jù)如下：表6.13個模型y值預(yù)測結(jié)果20112012201320142015GM(1,1)模型77.864183.485289.512195.9741102.9026線性回歸模型8

32、5.07390.464696.1978102.2945108.7775Bp網(wǎng)絡(luò)模型87.202995.4649104.5097114.4115125.25147、建議根據(jù)影響因素的重要性排序：人均GDP入口煤炭消費比例城鎮(zhèn)化能源強度比例第三產(chǎn)業(yè)GDP比例，結(jié)合我國碳排放量變化趨勢提出一些小建議：1、國家適當調(diào)整人均GDP:匕率；2、提倡計劃生育，降低人口增長率；3、合理開采煤炭，控制每年煤炭銷售量，盡可能地使用氫能源、太陽能等無污染能源；4、鼓勵農(nóng)村發(fā)展，先富帶后富，城鎮(zhèn)化比例需適中；5、堅持走可持續(xù)發(fā)展道路，尋找開發(fā)新能源。8、模型評價與推廣?8.1模型優(yōu)點3個預(yù)測模型總體來說，預(yù)測精度較高

33、，所得結(jié)果預(yù)測結(jié)果真實性較圖;BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，克服了一般回歸分析的不夠精確的局限性，使得結(jié)果更為精確，故其最適應(yīng)碳排放量預(yù)測等復(fù)雜性較高的小樣本型問題；用Matlab實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型，使用方便且計算精確；使用Matlab統(tǒng)計軟件完成多元線性回歸的函數(shù)計算，簡潔快速，值得推廣；在幾處采用了多個預(yù)測模型相結(jié)合的方法進行預(yù)測，使得模型進一步優(yōu)化。?8.2模型缺點GM(1,1)模型適用于短期預(yù)測，對于近一兩年的預(yù)測值很精確，而遠期的數(shù)僅僅反應(yīng)一種趨勢；(2)使用趨勢移動平均預(yù)測模型存在很大的局限性，因為它只適用于時間序列呈直線趨勢的情況。?8.3模型推廣(1)本文的結(jié)論是建立在數(shù)學模型基礎(chǔ)上

34、，有較高的可信度，故結(jié)論可以為有關(guān)部門控制碳排放量提供科學依據(jù).0(2)文中所用的3種預(yù)測模型精確度較高，預(yù)測效果較好，尤其是BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，可推廣應(yīng)用到實際生活待預(yù)測的非線性問題上。(3)建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，可以不斷添加歷史數(shù)據(jù)，進一步提高預(yù)測能力，提高網(wǎng)絡(luò)的可信度。參考文獻1姜啟源，謝金星著，數(shù)學建模案例選集.北京：高等教育出版社，2006.2飛思科技產(chǎn)品研發(fā)中心，神經(jīng)網(wǎng)絡(luò)理論與Matlab7實現(xiàn)M.北京：電子工業(yè)出版社，2005.3應(yīng)玖茜，魏權(quán)齡，非線性規(guī)劃及其理論.北京：中國人民大學出版社，1994.附錄用Matlab編程如下：附件一：GM(1,1)預(yù)測模型clear;c

35、lc;k=1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25;g=1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30;p=19.70823,21.0278,22.40368,22.75338,22.69709,23.69252,24.49162,26.26645,28.31547,28.61658,28.93377,30.81745,29.67256,28.85722,28.4975,29.69567,34

36、.64843,40.69239,50.8978,55.12703,58.17144,62.56704,68.00468,74.63289,82.40958;sum=0;forj=1:25q(j)=sum+p(j);sum=sum+p(j);endy=zeros(24,1);y=(p(:,2:25);fori=2:25z(1)=q(1);z(i)=(0.5*q(i)+0.5*q(i-1);endb=zeros(24,2);b(:,1)=(-1*z(:,2:25);b(:,2)=ones(24,1);c=zeros(2,1);c=inv(b*b)*b*y;forj=1:30n(j)=(p(1)-c

37、/c(1)*exp(-c(1)*(j-1)+c(2)/c(1);endfori=2:30h(1)=z(1);h(i)=n(i)-n(i-1)endplot(k,p,r,g,h,b)legend(原始曲線,GM(1,1)模擬曲線)運行結(jié)果：h=Columns1through619.708214.615215.670316.801518.014419.3149Columns7through1220.709322.204323.807325.525927.368729.3445Columns13through1831.462933.734236.1695Columns19through2447.80

38、0451.251254.9511Columns25through3072.621577.864183.485238.780758.918189.512141.580363.171495.974144.582067.7318102.9026附件二：多元線性回歸預(yù)測模型(1)多元線性方程求解代碼：x1=107507,109300,111026,112704,114333,115823,117171,118517,119850,121121,122389,123626,124761,125786,126743,127627,128453,129227,129988,130756,131448,132

39、129,132802,133450,134091;x2=24.52,25.32,25.81,26.21,26.41,26.94,27.46,27.99,28.51,29.04,30.48,31.91,33.35,34.78,36.22,37.66,39.09,40.53,41.76,42.99,44.34,45.89,46.99,48.34,49.95;x3=963,1112,1366,1519,1644,1893,2311,2998,4044,5046,5846,6420,6796,7159,7858,8622,9398,10542,12336,14185,16500,20169,23708

40、,25608,29992;x4=29.14,29.64,30.51,32.06,31.54,33.69,34.76,33.72,33.57,32.86,32.77,34.17,36.23,37.77,39.02,40.46,41.47,41.23,40.38,40.51,40.94,41.89,41.82,43.43,43.14;x5=9.8,9.4,9.1,9.1,8.9,8.6,7.9,7.4,6.9,6.6,6.2,5.7,5.3,5.1,4.8,4.6,4.5,4.7,5,4.9,4.8,4.5,4.3,4.2,4.2;x6=75.8,76.2,76.1,76.1,76.2,76.1,

41、75.7,74.7,75,74.6,73.5,71.4,70.9,70.6,69.2,68.3,68,69.8,69.5,70.8,71.1,71.1,70.3,70.4,68;y=19.70823,21.0278,22.40368,22.75338,22.69709,23.69252,24.49162,26.26645,28.31547,28.61685,28.93377,30.81745,29.67256,28.85722,28.4975,29.69576,34.64843,40.69239,50.8978,55.12703,58.17144,62.56704,68.00468,74.63

42、289,82.40958;uuiijt=regress(y,ones(25,1)x1x2x3x4x5x6)運行結(jié)果：uuiijt=-246.39840.00161.13990.0015-0.97025.82050.5353(2)多元線性回歸方程1986-2010年模擬預(yù)測代碼a=10750710930025.3211102625.8111270426.2111433326.4124.5296329.14111229.64136630.51151932.06164431.549.875.89.476.29.176.19.176.18.976.211582326.94189333.698.676.

43、111717127.46231134.767.975.711851727.99299833.727.474.711985028.51404433.576.97512112129.04504632.866.674.612238930.48584632.776.273.512362631.91642034.175.771.412476133.35679636.235.370.912578634.78715937.775.170.612674336.22785839.024.869.212762737.66862240.464.668.312845339.09939841.474.568129227

44、40.531054241.234.769.812998841.761233640.38569.513075642.991418540.514.970.813144844.341650040.944.871.113212945.892016941.894.571.113280246.992370841.824.370.313345048.342560843.434.270.413409149.952999243.144.268;fori=1:25y(i)=0.0016*a(i,1)+1.1399*a(i,2)+0.0015*a(i,3)-0.9702*a(i,4)+5.8205*a(i,5)+0

45、.5353*a(i,6)-246.3984end運行結(jié)果:y=Columns1through624.352725.757726.8151Columns7through1228.623429.975131.6655Columns13through1835.079936.075736.5885Columns19through2454.817860.209965.489828.681531.097434.534837.747471.181936.575340.140577.296730.573435.652947.096980.6318Column2589.06532(3)多元線性回歸方程1986-

46、2015年數(shù)據(jù)預(yù)測k=1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25;g=1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30Jp=24.3527,25.7577,26.8151,28.6815,31.0974,30.5734,28.6234,29.9751,31.6655,34.5348,36.5753,35.6529,35.0799,36.0757,36.5885,37.7474,40.1405,47

47、.0969,54.8178,60.2099,65.4898,71.1819,77.2967,80.6318,89.06532;sum=0;forj=1:25q(j)=sum+p(j);sum=sum+p(j);endy=zeros(24,1);y=(p(:,2:25);fori=2:25z(1)=q(1);z(i)=(0.5*q(i)+0.5*q(i-1);endb=zeros(24,2);b(:,1)=(-1*z(:,2:25);b(:,2)=ones(24,1);c=zeros(2,1);c=inv(b*b)*b*y;forj=1:30n(j)=(p(1)-c/c(1)*exp(-c(1)

48、*(j-1)+c(2)/c(1);endfori=2:30h(1)=z(1);h(i)=n(i)-n(i-1)endplot(k,p,r,g,h,b)legend(原始曲線,GM(1,1)模擬曲線)運行結(jié)果：h=Columns1through624.352719.467520.7012Columns7through1226.469328.146929.9307Columns13through1838.270540.695943.2750Columns19through2455.333058.839862.5688Columns25through3080.002885.073090.464622

49、.013223.408324.891831.827633.844735.989646.017648.934052.035266.534270.750875.234796.1978102.2945108.7775附件三：BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型(1)2001-2010年模擬預(yù)測程序clc;clearall,closeallXX=10750724.5296329.149.875.819.7082310930025.32111229.649.476.221.0278011102625.81136630.519.176.122.4036811270426.21151932.069.176.122.7533811433326.41164431.548.976.222.6970911582326.94189333.698.676.123.6925211717127.46231134.767.975.724.4916211851727.99299833.727.474.