机构名称：
¥ 1.0
摘要：为了响应越来越多的气候关注，精确的工业二氧化碳（CO2）排放预测至关重要。采用先进的机器学习（ML）技术，本研究着重于使用来自数据数据集中的全球数据（包含有关水泥，煤炭，燃料，燃烧，天然气和石油工业的年度排放信息）的全球数据的预测工业二氧化碳排放。探索了包括支持向量回归（SVR），线性回归和XGBoost在内的各种回归模型，主要重点是时间序列预测年度CO2排放的模型。利用时间序列的预测，排放数据中复杂的时间趋势是有发现的，提供了增强的预测性见解。CO2预测文献进行了审查，收集和预处理数据，并实施了各种ML算法，然后进行了超参数调整。经过严格训练和评估的模型产生准确的排放预测。结果强调了由斯坦福大学与Facebook Inc.开发的Transformer模型和神经先知图书馆的出色表现，RMSE得分为416.58和470.30，与349.07和380.40相比，MAE的MAPE得分为0.01，MAPE得分均为0.01，相对较低。DEEPTCN还表现出竞争性的预测能力，但缺乏变压器模型和神经先知模型的准确性。与神经先知和变形金刚相比，包括Arima，Naive预测，自动回归（AR），指数平滑和Sarima滞后的传统模型。这些发现强调了ML在推进可持续的环境管理方面的有希望的作用，并为随后的研究努力铺平了道路。关键字：二氧化碳排放，工业排放，可持续性，环境AI，机器学习，时间序列预测。
定量分析和工业二氧化碳的预测...
主要关键词
相关文件推荐
