已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Industrial carbon emission forecasting considering external factors based on linear and machine learning models

自回归积分移动平均 平均绝对百分比误差 Lasso(编程语言) 温室气体 水准点(测量) 计算机科学 线性回归 支持向量机 自回归模型 计量经济学 时间序列 机器学习 数学 人工神经网络 地理 万维网 生物 生态学 大地测量学
作者
Ye Liang,Pei Du,Shubin Wang
出处
期刊:Journal of Cleaner Production [Elsevier]
卷期号:434: 140010-140010 被引量:8
标识
DOI:10.1016/j.jclepro.2023.140010
摘要

Accurate forecasting of carbon emissions has become a critical task for the government to formulate effective policies and sustainable development. However, previous studies have mainly focused on large-scale carbon emissions forecasting, while urban-level carbon emission forecasting is equally important but rarely covered. In this study, we propose a novel carbon emission forecasting framework combining linear and machine learning models that considers both time dynamics and external influences. To improve the accuracy and explanatory power of the proposed model, we first introduce twelve initial influencing factors by considering the urban development, economic development, industrial energy consumption, and demographic factors. And then Lasso regression algorithm is adopted to filter out the indicators with poor predictive power. Finally, a combined prediction model by integrating Autoregressive Integrated Moving Average (ARIMA) and Support Vector Regression (SVR) models is established to capture linear and nonlinear features, respectively. The simulation results show that compared with benchmark models, the proposed model indicates stronger prediction performance with a Mean Absolute Percentage Error (MAPE) of 0.096 and a R-squared (R2) of 97.5%. In addition, six future development scenarios, including carbon emission projections for industrial growth and environmental protection factors, are also performed in this study to provide recommendations for carbon emission reduction programmers and related policy formulation. In conclusion, the forecasting framework proposed in this research can help to identify the key factors affecting carbon dioxide emissions and provide a quantitative reference for carbon dioxide emission reduction.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Persist6578完成签到 ,获得积分10
4秒前
fengyuke发布了新的文献求助10
4秒前
谜语完成签到 ,获得积分10
9秒前
Carmen完成签到,获得积分10
10秒前
李昕123发布了新的文献求助10
11秒前
Persist完成签到 ,获得积分10
12秒前
14秒前
20秒前
20秒前
21秒前
深情安青应助syalonyui采纳,获得10
22秒前
爱学习的YY完成签到 ,获得积分10
22秒前
KK发布了新的文献求助10
25秒前
闪闪善若完成签到 ,获得积分10
25秒前
YOLO完成签到 ,获得积分10
27秒前
Talha发布了新的文献求助10
27秒前
28秒前
29秒前
zolwin7发布了新的文献求助10
34秒前
勤劳的飞飞完成签到,获得积分20
36秒前
zmx完成签到 ,获得积分10
39秒前
zolwin7完成签到,获得积分10
40秒前
Billy发布了新的文献求助30
41秒前
41秒前
逃离地球完成签到 ,获得积分10
43秒前
大个应助勤劳的飞飞采纳,获得10
43秒前
43秒前
草莓啵啵兔完成签到 ,获得积分10
46秒前
46秒前
47秒前
小蘑菇应助zwz采纳,获得10
47秒前
邹冰洁发布了新的文献求助10
47秒前
zwh发布了新的文献求助10
47秒前
结实初翠发布了新的文献求助20
48秒前
Nov完成签到 ,获得积分10
49秒前
辛谷方松永旭完成签到 ,获得积分10
49秒前
aprise完成签到 ,获得积分10
50秒前
lanshuitai发布了新的文献求助10
51秒前
π1完成签到 ,获得积分10
52秒前
美好斓应助海绵宝宝采纳,获得100
52秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256743
求助须知:如何正确求助?哪些是违规求助? 2898909
关于积分的说明 8302988
捐赠科研通 2568075
什么是DOI,文献DOI怎么找? 1394872
科研通“疑难数据库(出版商)”最低求助积分说明 652924
邀请新用户注册赠送积分活动 630631