针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population afflue...针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population affluence and technlogy,STIRPAT)模型基础上确定电力行业碳排放量影响因素,将其作为预测模型的输入自变量,继而利用进化人工蜂群算法优化随机森林回归模型,从而避免模型参数主观设置不合理对预测精度的不利影响,最后运用参数优化后的模型对电力行业碳排放量进行预测。实际测算数据验证结果表明,该模型可以准确反映电力行业未来碳排放趋势,并且与其他预测模型相比,预测精度更高、优势更加明显,能够为节能减排政策制定提供参考借鉴。展开更多
文摘针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population affluence and technlogy,STIRPAT)模型基础上确定电力行业碳排放量影响因素,将其作为预测模型的输入自变量,继而利用进化人工蜂群算法优化随机森林回归模型,从而避免模型参数主观设置不合理对预测精度的不利影响,最后运用参数优化后的模型对电力行业碳排放量进行预测。实际测算数据验证结果表明,该模型可以准确反映电力行业未来碳排放趋势,并且与其他预测模型相比,预测精度更高、优势更加明显,能够为节能减排政策制定提供参考借鉴。
