一种改进的门控循环单元(Gated Recurrent Unit)模型,采用混合网络架构,用于浙江省的碳排放预测

《Engineering Applications of Artificial Intelligence》:An improved Gated Recurrent Unit model with hybrid network architecture for carbon emission forecasting in Zhejiang Province

【字体: 大 中 小 】 时间:2026年09月19日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  •一种熵加权方法能够自适应地确定变分模态分解(VMD)的模式。•贝叶斯优化分别调整每个惯性模态分解(IMF)的超参数。•该框架在浙江、湖北和广东的数据集上进行了测试。•整合了VMD–CNN–GRU-注意力模块用于预测。 引言 自21世纪初以来,由人类活动引发的温室效应急剧加剧。

  •一种熵加权方法能够自适应地确定变分模态分解(VMD)的模式。•贝叶斯优化分别调整每个惯性模态分解(IMF)的超参数。•该框架在浙江、湖北和广东的数据集上进行了测试。•整合了VMD–CNN–GRU-注意力模块用于预测。

引言
自21世纪初以来,由人类活动引发的温室效应急剧加剧。化石燃料的燃烧、工业生产等人類活动加剧了大气污染,使得包括二氧化碳和甲烷在内的温室气体浓度达到创纪录的水平。这些变化引发了系统性的气候危机,如极地冰盖加速融化、海平面上升和频繁的极端天气事件,对地球生态系统构成了严重威胁。为了应对全球气候挑战,世界各国在《巴黎协定》等制度框架下推出了多种政策来减少温室气体排放。特别是二氧化碳排放因其不利的气候影响而引起了全球范围内的广泛关注(Amirteimoori等人,2023年)。因此,减少二氧化碳排放是治理工作的核心重点。现有的减排途径包括化学转化(Shi等人,2025年)和二氧化碳的化学还原(Liu等人,2025年)。然而,当前的减排努力仍不足以实现全球温度控制目标。Pavel等人(2024年)的研究表明,大多数国家制定的气候政策可能无法解决温室气体排放问题。这意味着减少二氧化碳排放仍然是一项长期而艰巨的任务。为应对气候变化挑战,中国推出了创新措施以减少碳排放并提高环境可持续性(Abbas等人,2024年)。作为世界上最大的碳排放国,中国的脱碳路线图对全球气候治理具有决定性影响。通过将双碳目标提升到国家战略高度并建立“1+N”双碳政策体系,中国建立了世界上最大的清洁能源系统和全国性的碳排放交易市场。这些措施促进了能源和制造业等高排放行业的低碳转型,而“一带一路”倡议下的绿色合作促进了全球脱碳进程。2025年,中国的日均碳排放量同比下降了1.2%,巩固了其在全球减排中的关键作用。对脱碳技术的持续投资使中国在经济增长的同时能够科学地控制二氧化碳排放,并最终实现长期可持续发展。

人工智能的迅速发展为碳排放预测提供了新的方法论支持。Hua等人(2025年)系统回顾了人工智能在建筑碳排放核算和预测中的应用,并指出与传统方法相比,人工智能模型的预测精度提高了20%。他们还指出,实时监测和自适应管理策略可以将碳排放减少多达15%,并将建筑能源效率提高多达25%。这些进步表明,智能预测和管理策略对减少碳排放具有显著的实际效益,也可能为省级区域碳排放的智能测量和趋势预测提供思路。在这种背景下,对典型省份进行实证预测值得进一步研究。

浙江是一个经济实力强劲且能源消耗巨大的省份,它提出了“绿水青山就是金山银山”的理念,在中国的全国脱碳布局中占据着不可替代的地位。依托全国领先的数字经济生态系统,浙江通过数字技术实现了精确、智能和基于情景的碳排放监测与核算。此外,浙江还被批准建立中国首个省级创新区,以协调污染和碳排放减排工作,并采取了多项措施推进碳排放双控工作。因此,探索其碳排放的变化不仅有助于制定针对性的地方脱碳政策,还有助于探索经济增长与国家深度脱碳之间的协同路径,具有重要的实际意义。由于碳排放控制能力在一定程度上反映了区域经济与自然生态系统以及可持续发展绩效之间的共生关系,地方政府需要对未来排放趋势进行前瞻性评估。因此,开发科学高效的碳排放预测系统对于制定合理的低碳政策至关重要。

准确的碳排放预测是有效减排管理的前提。预测建模技术已经从传统统计方法发展到智能算法。G. Lu等人(2025年)的系统性回顾表明,在模拟复杂非线性动态和现实世界时间序列数据的长期依赖性方面,深度学习优于传统的统计和机器学习方法。该调查聚焦于四种核心范式:卷积神经网络(CNN)、循环神经网络(RNN)/长短期记忆(LSTM)/门控循环单元(GRU)、图神经网络(GNN)和Transformer。每种范式都存在一定的局限性,但它们共同促进了时间序列预测的多样化。早期的碳排放预测主要依赖传统的统计模型,如多元线性回归、灰色预测和自回归积分滑动平均(ARIMA)。然而,这些方法对数据平稳性和线性规则性有严格假设,不适合处理碳排放数据的复杂非线性、非平稳性和多尺度波动特征,从而导致预测精度存在固有缺陷。Houssein等人(2025年)对150多项研究的元分析显示,基于深度学习的方法相比传统预测方法可以提高预测精度多达14%。

尽管浅层机器学习模型(例如SVM)提高了非线性拟合能力,但它们无法捕捉时间序列数据中隐藏的长期依赖性和多尺度周期性特征。当前主流的独立深度学习模型也存在结构上的缺陷:LSTM和GRU在挖掘长期时间模式方面表现良好,但对突然的局部波动不够敏感;CNN能高效提取局部特征,但在处理超长时间序列时受到有限感受野的限制。正如Adekunle等人(2025年)的综述所述,传统的RNN存在梯度消失问题,而LSTM通过专用的门控和记忆单元解决了这一问题,但计算开销和硬件要求较高。众所周知,CNN依靠多层堆叠来扩展感受野。这些模型相关的缺点可以通过优化算法和混合框架部分缓解。因此,单一模型难以适应碳排放数据的复杂多尺度特性。混合模型结合了多种单一算法的优点,成为前沿研究方向。现有研究将分解-预测范式与神经网络结合(Zeng等人,2024年),另有学者构建了混合CNN–GRU架构以同时捕捉局部和全局时间特征(R. Zhang等人,2025年)。尽管如此,当前的混合框架仍存在四个系统性缺陷:首先,分解参数是经验性确定的;例如,变分模态分解(VMD)的模态数K大多主观设定,缺乏定量标准;其次,超参数优化效率低下:网格搜索和启发式优化在高维空间中难以找到全局最优解,导致计算成本过高;第三,大多数分解-预测流程对所有分解子组件采用相同的网络配置和超参数,忽视了高频噪声和低频趋势项之间的复杂差异;第四,模块间的协同优化不足:简单的串联堆叠无法联合调整所有子模块的参数,限制了混合模型达到最佳预测性能。

为了填补上述研究空白并解决现有局限性,本文提出了一种名为BO–VMD–CNN–GRU-Attention的新混合预测框架。该模型整合了VMD、CNN、GRU和注意力机制,并采用贝叶斯优化(BO)进行联合超参数优化。在模型构建过程中,以GRU为基线,辅以VMD、CNN和注意力模块构建集成深度学习架构。这种设计增强了深度学习组件的鲁棒性和效率,有助于精细提取局部特征和时间模式。通过结合先进的优化技术和混合建模,该方法提高了浙江碳排放的计算效率和预测精度,为省级低碳政策制定提供了决策支持,为复杂的非线性时间序列表现提供了创新解决方案,并丰富了现有的碳排放预测建模工具。

本文的结构安排如下:第2节回顾相关文献,并系统总结了四种主流预测类别(统计模型、浅层机器学习、神经网络和混合算法)的研究进展和局限性;第3节详细介绍了模型构建过程,包括VMD分解原理、混合CNN–GRU-Attention架构和贝叶斯优化;第4节基于浙江的数据集进行了实证分析以验证和比较模型性能;第5节进行了消融实验和跨区域验证,提供了相应的政策建议,并分析了所提出框架的实际优势和可解释性;第6节总结了核心发现并提出了未来研究的方向。

文献综述
二氧化碳在温室气体组成中占比最大,其排放时间序列表现出明显的趋势性和季节性特征。准确的二氧化碳排放预测对于加速实现碳中和至关重要(Yuan等人,2024年)。基于现有文献,本文的预测方法分为四个分支:统计模型、浅层机器学习模型、神经网络模型和混合模型。

方法论
本文开发了一个多模块混合框架用于碳排放预测,包括三个核心步骤:VMD分解、CNN–GRU-Attention混合网络的构建以及最终的碳排放预测。通过最小化均方误差(MSE)来实现贝叶斯优化(BO)来调整混合模型的超参数。图1展示了所提出的混合预测模型的整体架构。

数据收集与描述
本节采用了Carbon Monitor全球实时碳排放数据库中发布的浙江省每日碳排放数据集,以验证所提出混合模型的有效性和优越性。该数据集包含从2020年1月1日到2025年9月30日的2100条每日总碳排放记录。

数据预处理流程如下:
(1) 数据加载和单位转换:读取包含每日碳排放数据的Excel文件。

消融实验
基于测试集数据,本节对混合模型的每个组成部分进行了消融实验,以量化不同模块所带来的性能提升。以独立的GRU作为基线模型,实现了对浙江省每日总碳排放的预测。构建了四种不同组件组合的比较模型,分别是VMD-GRU、VMD-GRU-CNN、VMD-GRU-Attention和VMD–CNN–GRU-Attention。

结论
考虑到碳排放序列的非线性、非平稳性和多尺度波动特性,本研究建立了BO–VMD–CNN–GRU-Attention混合预测模型,该模型结合了基于熵加权的自适应VMD分解、CNN局部特征提取、GRU时间建模和自注意力筛选。BO用于单独优化每个分解后的IMF组分的超参数。基于浙江省的每日碳排放数据,进行了比较实验。

作者贡献声明
罗旭涛:撰写-原始草稿、可视化、数据整理、概念化;
王玉红:撰写-修订与编辑、监督、方法论、调查;
任友阳:软件、资源、正式分析。

利益冲突声明
作者声明没有利益冲突。

致谢
本研究部分得到了国家自然科学基金(71871106)、国家社会科学基金后期资助项目(23FGLB051)、中央高校基本科研业务费(JUSRP1809ZD;2019JDZD06;JUSRP321016)、2025江苏省学位与研究生教育教学改革项目(JGKT25_C070)以及江苏省社会科学科技进步伦理专项(科学研究诚信)的支持。

作者:罗旭涛 | 王玉红 | 任友阳
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号