原文传递
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
| 题名： | 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 |
| 作者： | 肇晓楠;谢新连;赵瑞嘉 |
| 关键词： | 铁路运输;碳排放;碳排放预测;LSTM网络;滑动窗口 |
| 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。 |
| 期刊名称： | 交通信息安全 |
| 出版年： | 2023 |
| 期： | 01 |
| 页码： | 169-178 |
检索历史
应用推荐
