基于奇异谱分析和辛几何模态分解的短期碳排放预测模型

摘要

在短时期内对碳排放水平进行评估和规划，对制定精准的减排目标和有效的政策措施可以起到辅助作用。将奇异谱分析分解法（Singular spectrum analysis decomposition,SSAD）和辛几何模态分解（Symplectic geometry mode decomposition,SGMD）组合成新型的二次信号分解法，并应用于每日碳排放量预测。在对原始序列进行二次分解之后，利用快速傅里叶变换对子序列进行重构，并应用偏自相关函数来选择合适的输入变量。最后，利用麻雀搜索算法（Sparrow search algorithm,SSA）对长短期记忆网络（Long short-term memory network,LSTM）进行优化，建立了SSAD-SGMD-SSA-LSTM模型。通过与其他模型进行对比实验，发现SSAD-SGMD二次分解更加适合碳排放时间序列预处理，并且可以进一步提高预测精度。SSAD-SGMD模型与集成经验模态分解和变分模态分解相结合的二次分解模型相比，模型的可决系数R²提高了1.83%，平均绝对百分比误差（Mean absolute percentage error,MAPE）有所降低，均方根误差（Root mean square error,RMSE）降低了43.16%。此外，经过SSA优化后的LSTM模型，R²提高了1.49%,MAPE有所降低，RMSE降低了38.64%。所提出的模型能够有效提升短期碳排放预测的准确性。

关键词

短期碳排放预测 / 二次信号分解算法 / 麻雀搜索算法 / 长短期记忆网络