中国碳排放量的组合模型及预测

被引：11

作者：

肖枝洪

王明浩

机构：

[1] 重庆理工大学数学与统计学院

来源：

重庆工商大学学报(自然科学版) | 2016年 / 33卷 / 01期

关键词：

ARIMA模型; BP神经网络; 碳排放; 组合模型;

D O I：

10.16055/j.issn.1672-058X.2016.0001.002

中图分类号：

X321 [区域环境规划与管理];

学科分类号：

083305 ; 1204 ;

摘要：

根据碳排放的演化规律,采用ARIMA模型与BP神经网络集成的组合模型,对中国碳排放量进行预测研究;取1980—2007年中国碳排放量作为训练样本,确定模型参数;然后取2008—2013年中国碳排放量作为测试样本对文中的组合模型进行验证,并与已有文献所建立的预测模型进行比较,结果显示,此处所建立的组合模型预测误差极小;最后,根据组合模型对2014—2020年中国碳排放量进行预测,指出中国还将继续面临碳减排压力。

引用

页码：9 / 15

页数：7

共 10 条

[1] ARIMA模型在重庆市能源消耗量预测中的应用 [J].

李岩岩 .

重庆工商大学学报(自然科学版), 2015, 32 (08) :54-60

[2] 基于随机森林方法的碳足迹及其影响因素研究 [J].

唐建荣 ;

陈实 .

统计与信息论坛, 2013, (10) :70-74

[3] 基于干预模型与BP神经网络集成的GDP预测 [J].

王鑫 ;

肖枝洪 .

统计与决策, 2012, (20) :141-144

[4]

时间序列分析与SAS应用[M]. 武汉大学出版社 , 肖枝洪, 2012

[5]

Improvement of Auto-Regressive Integrated Moving Average models using Fuzzy logic and Artificial Neural Networks (ANNs)[J] . Mehdi Khashei,Mehdi Bijari,Gholam Ali Raissi Ardali. Neurocomputing . 2008 (4)

[6]

Forecasting nonlinear time series with neural network sieve bootstrap[J] . Francesco Giordano,Michele La Rocca,Cira Perna. Computational Statistics and Data Analysis . 2006 (8)

[7]

Time-series forecasting using flexible neural tree model[J] . Yuehui Chen,Bo Yang,Jiwen Dong,Ajith Abraham. Information Sciences . 2004 (3)

[8]

Time series forecasting using a hybrid ARIMA and neural network model[J] . G.Peter Zhang. Neurocomputing . 2002

[9] Designing a neural network for forecasting financial and economic time series [J].

Kaastra, I ;

Boyd, M .

NEUROCOMPUTING, 1996, 10 (03) :215-236

[10]

Global demographic trends and future carbon emissions .2 Brian C. O’Neill,Michael Dalton,Regina Fuchs,Leiwen Jiang,Shonali Pachauri,Katarina Zigova. Proceedings of the National Academy of Sciences . 2010

← 1 →