Volume 1,Issue 6
基于Prophet模型与机器学习算法结合的全国碳排放量预测研究
为贯彻落实新发展理念，准确预测全国碳排放对于实现碳中和的进程有着重要作用。本文提出Prophet+ML混合模型对碳排放的长期趋势进行预测。研究基于2019-2024年中国每日二氧化碳排放监测数据，首先，运用Prophet模型对碳排放数据进行趋势、季节性与节假日的预测并提取该残差信息，然后，分别用三种机器学习算法RandomForest、XGBoost、LightGBM对残差进行拟合，用于提升该模型的预测效果。实验结果表明：1.相比于ARIMA，Prophet模型对具有季节性和长期趋势的数据有较好的拟合效果，MAE、MSE、RMSE、MAPE四个偏差指标分别减少了0.427107、1.054397、0.22992、1.472025。2. Prophet 与机器学习算法相结合的混合模型能明显的提高预测准确性，其中LightGBM优化效果最好，四个偏差指标分别减少了0.759228、3.599075、1.107846、2.38763，决定系数R2提高了0.3918。
[1] 余航.基于ARIMA模型的我国碳排放量的预测[J].经济师,2018,(06):59-60.
[2] 周树涛,邱畅,姚均業等.基于ARIMA模型的碳排放预测及减排潜力[J].中国新技术新产品,2023,(02):130-132.
[3] 钟进,李宗航.基于趋势性时间序列的全国碳排放量预测研究[J].运筹与模糊学,2023,13(4):3870-3881.
[4]Power Demand Forecasting Using ANN and Prophet Models for the Load Despatch Center in Andhra Pradesh, India[J]. International Journal of Soft Computing and Engineering (IJSCE), 2024, 14(1/).
[5]Jia C. Prediction method of product market demand based on Prophet random forest[J]. International Journal of Product Development, 2024, 28(1-2): 60-72.
[6]Su S,Sun Y,Zeng Y,et al. Aviation risk prediction based on Prophet–LSTM hybrid algorithm. Aircraft Engineering and Aerospace Technology,2023,95(7): 1054-1061.
[7] 张学清,李芳,张绚,等.基于CNN-LSTM模型的中国碳排放量实时预测研究[J].中阿科技论坛(中英文),2022,(10):71-75.
[8] 王琦,赵静,胡磊,等.基于机器学习LSTM网络的SO₂排放浓度预测[J].自动化与仪表,2021,36(07):77-80+85.
[9] 赵成柏,毛春梅.基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J].长江流域资源与环境,2012,21(06):665-671.
[10] 常恬君,过仲阳,徐丽丽.基于Prophet-随机森林优化模型的空气质量指数规模预测[J].环境污染与防治,2019,41(07):758-761+766.
[11] 高洁如,魏霖静,李玥,等.基于Prophet-LightGBM的PM₂.₅浓度预测模型[J].软件导刊,2024,23(07):144-152.
[12] 彭湃,刘敏.基于Prophet-LSTM组合模型的短期负荷预测方法[J].电力系统及其自动化学报,2021,33(11):15-20.
[13] 郑陈达,兰雁宁.基于XGboost和Prophet组合模型的天然气需求预测[J].城市燃气,2024,(12):32-36.