本发明涉及碳排放预测，尤其涉及一种基于深度学习模型的区域碳排放预测方法及系统。
背景技术：
1、随着深度学习的不断发展，深度学习模型能够处理大量复杂数据，同时随着不同深度学习模型的混合应用能够提高预测的精度和实用性，实现更准确的碳排放量预测。但是大多没有解决如何通过获取区域碳排放数据，以构建碳排放预测模型进行碳排放预测，并评估碳排放预测模型，生成评估结果以优化碳排放预测模型，并实时可视化展示碳排放数据和预测结果。
2、如公开号为cn117495640a的中国专利申请公开了一种区域碳排放量预测方法及系统，方法包括获取历史碳排放数据集与初始影响因素数据集；基于碳排放处理数据集与初始影响因素处理数据集进行区域关联性分析，对初始影响因素处理数据集进行第一次筛选；基于碳排放处理数据集与第一影响因素数据集进行变量惩罚，以对第一影响因素数据集进行第二次筛选；将训练数据集输入预设预测模型中进行训练，将第二影响因素数据集输入训练后的预设预测模型中进行预测，以得到碳排放预测数据，通过对影响因素数据集进行两次筛选，使得预设预测模型可充分挖掘数据之间的非线性映射关系，同时能够筛除对碳排放量没有影响或者影响不大的因素，提升了后续模型的预测速度以及预测精度。
3、如授权公告号为cn116258277b的中国专利公开了一种区域能源碳排放预测、规划和优化方法和系统，方法包括：对于区域能源碳排放体系的现状进行二阶分解，得到基准情景下能源碳排放体系的趋势基线，再设定情景s下的情景参数，得到情景s下的能源碳排放体系趋势线，并计算情景s的发展路径所对应的路径总投资费用现值；将情景s对应的路径存储于可行发展路径池中，同步存储其对应的及刚性指标情景值，在满足刚性指标约束条件时，以最小作为单一目标对各情景进行排序，筛选出区域最佳发展路径。该方法和系统能够适用于部门结构的应用范式，实现不同区域碳排放测算的统一性，可用于指导具有针对性和有效性的区域规划工作。
4、以上专利存在本背景技术提出的问题：上述区域碳排放量预测方法通过将获取的历史碳排放数据集与初始影响因素数据集进行区域关联性分析，对初始影响因素处理数据集进行第一次筛选，基于碳排放处理数据集与第一影响因素数据集进行变量惩罚，以对第一影响因素数据集进行第二次筛选，将训练数据集输入预设预测模型中进行训练，将第二影响因素数据集输入训练后的预设预测模型中进行预测，以得到碳排放预测数据，通过对影响因素数据集进行两次筛选使得预设预测模型可充分挖掘数据之间的非线性映射关系，同时能够筛选对碳排放量没有影响或影响不大的因素；上述区域能源碳排放预测、规划和优化方法通过对于区域能源碳排放体系的现状进行二阶分解，得到基准情景下能源碳排放体系的趋势基线，再设定情景下的情景参数，得到情景下的能源碳排放体系趋势线，并计算情景的发展路径所对应的路径总投资费用现值，将情景对应的路径存储于可行发展路径池中，同步存储其对应的刚性指标情景值，在满足刚性指标约束条件时，以最小为单一目标对各情景进行排序，从而筛选出区域最佳发展路径。上述两个专利没有解决如何通过获取区域碳排放数据，以构建碳排放预测模型进行碳排放预测，并评估碳排放预测模型，生成评估结果以优化碳排放预测模型，并实时可视化展示碳排放数据和预测结果的问题。为解决这一问题，本发明提出一种基于深度学习模型的区域碳排放预测方法及系统。
技术实现思路
1、本部分的目的在于概述本发明实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
2、鉴于上述现有一种基于深度学习模型的区域碳排放预测方法及系统存在的问题，提出了本发明。
3、因此，本发明目的是提供一种基于深度学习模型的区域碳排放预测方法及系统。
4、为解决上述技术问题，本发明提供一种基于深度学习模型的区域碳排放预测系统：数据获取模块、模型构建模块、碳排放预测模块、预测优化模块和可视交互模块；
5、所述数据获取模块用于获取区域碳排放的实时数据和历史数据，融合区域碳排放的历史数据并适应区域碳排放的实时数据的传输，融合区域碳排放的历史数据包括根据区域碳排放的历史数据的质量动态融合区域碳排放的历史数据；
6、所述模型构建模块用于通过融合后的区域碳排放的历史数据构建并训练碳排放预测模型，得到碳排放预测模型的损失值；
7、构建的碳排放预测模型的函数表达式如下所示：
8、；
9、式中，表示区域碳排放量的预测值，表示预测权重，表示融合后的区域碳排放的历史数据，表示预测偏置；
10、所述碳排放预测模块用于将传输的区域碳排放的实时数据输入至碳排放预测模型，生成预测结果，并将区域碳排放量的实际值与预测结果比对，评估碳排放预测模型，生成评估结果，评估碳排放预测模型包括将区域碳排放量的实际值与区域碳排放量的预测值做差并求和处理；
11、所述预测优化模块用于根据评估结果优化碳排放预测模型；
12、所述可视交互模块用于实时可视化展示区域碳排放的实时数据和历史数据、预测结果以及评估结果。
13、作为本发明所述一种基于深度学习模型的区域碳排放预测系统的一种优选方案，其中：获取所述区域碳排放的实时数据和历史数据，根据所述区域碳排放的历史数据的质量动态融合所述区域碳排放的历史数据；
14、所述区域碳排放的历史数据的质量的判断规则包括：
15、根据区域碳排放的历史数据的准确性、完整性、一致性和及时性综合判断区域碳排放的历史数据的质量，综合判断区域碳排放的历史数据的质量的计算公式如下所示：
16、；
17、式中，表示区域碳排放的历史数据的质量值，表示区域碳排放的历史数据的准确性值，表示区域碳排放的历史数据的完整性值，表示区域碳排放的历史数据的一致性值，表示区域碳排放的历史数据的及时性值。
18、作为本发明所述一种基于深度学习模型的区域碳排放预测系统的一种优选方案，其中：根据所述区域碳排放的历史数据的质量动态融合所述区域碳排放的历史数据，动态融合区域碳排放的历史数据的计算公式如下所示：
19、；
20、式中，表示融合后的区域碳排放的历史数据，表示第个监测点的权重，表示第个监测点的区域碳排放的历史数据，表示监测点的总数；
21、其中，监测点的权重根据区域碳排放的历史数据的质量动态变化，监测点的权重的变化公式如下所示：
22、；
23、式中，表示根据区域碳排放的历史数据的质量设定的权重系数，表示区域碳排放的历史数据的质量值，表示区域碳排放的历史数据的第个质量值。
24、作为本发明所述一种基于深度学习模型的区域碳排放预测系统的一种优选方案，其中：通过融合后的区域碳排放的历史数据构建并训练所述碳排放预测模型，得到所述碳排放预测模型的损失值，所述碳排放预测模型的损失值的函数表达式如下所示：
25、；
26、式中，表示碳排放预测模型的损失值，表示分位数损失函数，表示区域碳排放量的实际值，表示区域碳排放量的预测值，表示分位数水平。
27、作为本发明所述一种基于深度学习模型的区域碳排放预测系统的一种优选方案，其中：将所述区域碳排放量的实际值与预测结果比对，评估所述碳排放预测模型，生成评估结果，生成评估结果的具体步骤包括：
28、根据区域碳排放的实时数据输入至碳排放预测模型而生成的预测结果为区域碳排放量的预测值，将区域碳排放量的实际值与区域碳排放量的预测值做差并求和处理，得到预测差值，配置差值阈值，将预测差值与差值阈值比对，若预测差值小于或等于差值阈值，则说明碳排放预测模型的预测结果正确；
29、若预测差值大于差值阈值，则说明碳排放预测模型的预测结果不正确；
30、当碳排放预测模型的预测结果不正确时，显示碳排放预测模型的预测结果不正确的监测点为误差点，统计误差点的数量，配置误差数量阈值，将误差点的数量与误差数量阈值比对，若误差点的数量小于误差数量阈值，则评估结果为不优化碳排放预测模型；
31、若误差点的数量大于或等于误差数量阈值，则评估结果为优化碳排放预测模型。
32、作为本发明所述一种基于深度学习模型的区域碳排放预测系统的一种优选方案，其中：当所述评估结果为优化碳排放预测模型时，调整差值阈值，若调整差值阈值后评估结果显示为不优化碳排放预测模型，则说明是差值阈值的配置不正确；
33、若调整差值阈值后评估结果还显示为优化碳排放预测模型，则调整碳排放预测模型的预测权重，调整所述碳排放预测模型的预测权重的函数表达式如下所示：
34、；
35、式中，表示碳排放预测模型调整后的预测权重，表示预测权重，表示碳排放预测模型的学习率，表示对碳排放预测模型的预测权重的梯度，表示碳排放预测模型的损失值。
36、作为本发明所述一种基于深度学习模型的区域碳排放预测系统的一种优选方案，其中：调整所述碳排放预测模型的学习率的函数表达式如下所示：
37、；
38、式中，表示碳排放预测模型的初始学习率，表示碳排放预测模型的衰减率，表示碳排放预测模型的训练次数，表示碳排放预测模型的衰减次数。
39、一种基于深度学习模型的区域碳排放预测方法，包括：s1、获取区域碳排放的实时数据和历史数据，融合区域碳排放的历史数据并适应区域碳排放的实时数据的传输，融合区域碳排放的历史数据包括根据区域碳排放的历史数据的质量动态融合区域碳排放的历史数据；
40、s2、通过融合后的区域碳排放的历史数据构建并训练碳排放预测模型，得到碳排放预测模型的损失值；
41、s3、将传输的区域碳排放的实时数据输入至碳排放预测模型，生成预测结果，并将区域碳排放量的实际值与预测结果比对，评估碳排放预测模型，生成评估结果，评估碳排放预测模型包括将区域碳排放量的实际值与区域碳排放量的预测值做差比对；
42、s4、根据评估结果优化碳排放预测模型；
43、s5、实时可视化展示区域碳排放的实时数据和历史数据、预测结果以及评估结果。
44、一种计算机设备，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述计算机设备执行实现一种基于深度学习模型的区域碳排放预测方法。
45、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时，实现一种基于深度学习模型的区域碳排放预测方法。
46、本发明的有益效果：本发明通过数据获取模块获取区域碳排放的实时数据和历史数据，融合区域碳排放的历史数据并适应区域碳排放的实时数据的传输，融合区域碳排放的历史数据包括根据区域碳排放的历史数据的质量动态融合区域碳排放的历史数据，确保训练和构建碳排放预测模型时使用的信息是全面和多维度的，不仅提高了数据的丰富度，还增强了碳排放预测模型对复杂模式的识别能力；模型构建模块通过融合后的区域碳排放的历史数据构建并训练碳排放预测模型，得到碳排放预测模型的损失值，以便对区域碳排放量的有效预测；碳排放预测模块将传输的区域碳排放的实时数据输入至碳排放预测模型，生成预测结果，并将区域碳排放量的实际值与预测结果比对，评估碳排放预测模型，生成评估结果，评估碳排放预测模型包括将区域碳排放量的实际值与区域碳排放量的预测值做差比对，以便对碳排放预测模型的有效评估；预测优化模块根据评估结果优化碳排放预测模型，根据评估结果不断调整和优化模型参数，形成一个闭环的反馈系统，确保碳排放预测模型随着时间推移而进化，提高长期的准确性和稳定性；可视交互模块实时可视化展示区域碳排放的实时数据和历史数据、预测结果以及评估结果，使得复杂的数据和碳排放预测模型的预测结果易于理解。
1.一种基于深度学习模型的区域碳排放预测系统，其特征在于：包括：
2.如权利要求1所述的一种基于深度学习模型的区域碳排放预测系统，其特征在于：获取所述区域碳排放的实时数据和历史数据，根据所述区域碳排放的历史数据的质量动态融合所述区域碳排放的历史数据；
3.如权利要求2所述的一种基于深度学习模型的区域碳排放预测系统，其特征在于：根据所述区域碳排放的历史数据的质量动态融合所述区域碳排放的历史数据，动态融合区域碳排放的历史数据的计算公式如下所示：
4.如权利要求3所述的一种基于深度学习模型的区域碳排放预测系统，其特征在于：通过融合后的区域碳排放的历史数据构建并训练所述碳排放预测模型，得到所述碳排放预测模型的损失值，所述碳排放预测模型的损失值的函数表达式如下所示：
5.如权利要求4所述的一种基于深度学习模型的区域碳排放预测系统，其特征在于：将所述区域碳排放量的实际值与预测结果比对，评估所述碳排放预测模型，生成评估结果，生成评估结果的具体步骤包括：
6.如权利要求5所述的一种基于深度学习模型的区域碳排放预测系统，其特征在于：当所述评估结果为优化碳排放预测模型时，调整差值阈值，若调整差值阈值后评估结果显示为不优化碳排放预测模型，则说明是差值阈值的配置不正确；
7.如权利要求6所述的一种基于深度学习模型的区域碳排放预测系统，其特征在于：调整所述碳排放预测模型的学习率的函数表达式如下所示：
8.一种基于深度学习模型的区域碳排放预测方法，基于权利要求1-7中任一项所述的一种基于深度学习模型的区域碳排放预测系统实现，其特征在于：包括：
9.一种计算机设备，其特征在于：包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被执行时，实现如权利要求8所述的一种基于深度学习模型的区域碳排放预测方法。
