期刊文章详细信息
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
A Method for Predicting Carbon Emission of Railway Transportation System Based on an LSTM Network with Dynamic Input via Sliding Window
文献类型:期刊文章
ZHAO Xiaonan;XIE Xinlian;ZHAO Ruijia(Integrated Transport Institute,Dalian Maritime University,Dalian 116026,Liaoning China)
机构地区:[1]大连海事大学综合运输研究所,辽宁大连116026
基 金:国家重点研发计划资助项目(2017YFC0805309);国家自然科学基金项目(72204035)资助。
年 份:2023
卷 号:41
期 号:1
起止页码:169-178
语 种:中文
收录情况:BDHX、BDHX2020、CSCD、CSCD_E2023_2024、JST、RCCSE、ZGKJHX、核心刊
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9.83×10^(6) t、8.91×10^(6) t、8.62×10^(6) t和8.09×10^(6) 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。
关 键 词:铁路运输 碳排放 碳排放预测 LSTM网络 滑动窗口
分 类 号:U29[物流管理与工程类] F532]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...