[发明专利]多因素碳排放核算方法和装置

权利要求书

1.一种多因素碳排放核算方法，其特征在于，包括：

选取影响碳排放量的多个驱动因素；

对每个驱动因素进行独立建模，作为集成学习的基模型，对每个驱动因素的基模型进行集成学习，得到多因素线性加权表达式；

根据多因素线性加权表达式，量化各个驱动因素对碳排放量的贡献程度。

2.如权利要求1所述的方法，其特征在于，在建模过程中，将驱动因素作为研究变量，遍历自定义的研究变量，以当前研究变量作为自变量，碳排放总量作为因变量。

3.如权利要求2所述的方法，其特征在于，对每个驱动因素单独构建地理加权回归模型，作为集成学习的基模型，并根据每个驱动因素选取最佳的局部拟合带宽，对碳排放量和当前驱动因素进行不同地理空间上的回归。

4.如权利要求3所述的方法，其特征在于，对每个基模型进行k折交叉验证，生成单维度的特征，并组合成集成学习阶段所需的训练数据集和测试数据集。

5.如权利要求4所述的方法，其特征在于，进入集成学习阶段，构建逻辑回归模型，作为集成学习的组合模型，并使用由所有基模型的生成特征组合成的集成学习训练数据集和测试数据集进行训练和验证；组合模型训练完成后，得到多因素线性加权表达式，将其中的自变量系数作为对应碳排放驱动因素在碳排放总量中的贡献度量化值。

6.如权利要求4所述的方法，其特征在于，进行k折交叉验证包括：

从平均分为k份的训练集中取1份子集作为验证集，其余k-1份子集作为本轮训练集，对模型进行训练；

训练完成后，先对验证集进行一次预测，再对测试集进行一次预测，依次循环k轮；

此时经过k折交叉验证得到k份验证集的预测值和k份测试集的预测值，将当前基模型的k份验证集预测值纵向组合，作为集成学习训练集中的一个特征维度，其样本数量与原训练集保持一致；

将当前基模型的k份测试集预测值取均值，作为集成学习的测试集中的一个特征维度，其样本数量与原测试集保持一致，k折交叉验证过程结束。

7.如权利要求4所述的方法，其特征在于，构建逻辑回归模型的自变量数量与研究变量数量保持一致；数据集中的每个特征维度均由代表不同驱动因素的基模型生成，预测对象为真实的碳排放总量，则令逻辑回归模型的自变量与驱动因素一一对应，最终学习得到全部基模型的线性加权表达式，将表达式中的自变量系数作为研究变量在碳排放总量中的权重，即可量化每个驱动因素对碳排放总量的影响程度。

8.一种多因素碳排放核算方法，其特征在于，包括：

多因素独立建模阶段，包括对单个碳排放驱动因素构建独立的地理加权回归模型，作为基模型，还包括对基模型进行交叉验证生成集成学习数据集的过程；

集成学习阶段，包括对多个基模型构建逻辑回归模型作为组合模型，并学习多个基模型的线性加权表达式的过程，还包括将线性加权表达式中自变量系数作为对应碳排放驱动因素对碳排放总量的贡献度量化值。

9.一种用于执行权利要求1-8任意一项所述的方法的多因素碳排放核算装置。

10.一种生成碳排放驱动因素对碳排放量的贡献度量化值的方法，其特征在于，包括：

提供权利要求9所述的装置；

提供影响碳排放量的多个驱动因素；

所述装置根据权利要求1-8任意一项所述的方法生成各个驱动因素对碳排放总量的贡献度量化值。