本發(fā)明涉及碳排放數(shù)據(jù)分析，尤其涉及一種基于隨機森林的高速公路橋梁碳排放預測方法。

背景技術：

1、橋梁作為特殊的交通基礎設施，具有體量大、施工周期長等特點，其建設施工過程中將產(chǎn)生大量的碳排放，碳排放問題備受關注。

2、目前，碳排放預測大多是針對交通運輸業(yè)碳排放進行預測。然而，針對高速公路橋梁碳排放主要從全生命周期角度出發(fā)，對整體碳排放進行核算，缺乏高速公路橋梁碳排放預測方法。同時，現(xiàn)有技術主要利用工程施工過程中的實際能耗數(shù)據(jù)進行統(tǒng)計核算，無法在設計階段計算出碳排放量，不能對設計階段的節(jié)能減碳的施工方案進行優(yōu)化指導。

技術實現(xiàn)思路

1、本發(fā)明所要解決的技術問題是：提供一種基于隨機森林的高速公路橋梁碳排放預測方法，有效解決背景技術中的問題。

2、為了達到上述目的，本發(fā)明所采用的技術方案是：一種基于隨機森林的高速公路橋梁碳排放預測方法，包括如下步驟：

3、s1：采集獲取不同高速公路橋梁工程項目碳排放數(shù)據(jù)，構建碳排放數(shù)據(jù)集；

4、s2：對數(shù)據(jù)集進行預處理；

5、s3：通過相關性分析和灰色關聯(lián)分析，對采集到的數(shù)據(jù)進行碳排放預測特征變量分析，選取特征變量，作為橋梁碳排放預測模型輸入；

6、s4：利用選取的特征變量，構建生成最終數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓練集和預測集；

7、s5：將數(shù)據(jù)集輸入至隨機森林中，采用網(wǎng)格搜索和10折交叉驗證法，確定隨機森林的最佳決策樹數(shù)量t和決策樹最大深度h，構建碳排放預測模型；

8、s6：利用訓練集數(shù)據(jù)，對碳排放預測模型進行訓練，獲得預測效果；

9、s7：利用預測集數(shù)據(jù)，對碳排放預測模型進行預測，驗證模型的可行性。

10、進一步地，所述步驟s1的所述碳排放數(shù)據(jù)包括不同橋梁工程項目的碳排放量數(shù)據(jù)以及特征變量數(shù)據(jù)，分別包括橋梁車道數(shù)量、橋梁長度、橋梁面積、樁基礎、橋梁承臺、系梁、橋墩、預應力混凝土空心板、預應力混凝土小箱梁、現(xiàn)澆混凝土連續(xù)梁、瀝青混凝土鋪裝、水泥混凝土鋪裝、橋梁支座、伸縮縫、護欄與護網(wǎng)、其他工程。

11、進一步地，所述步驟s2中所述預處理包括對數(shù)據(jù)進行歸一化處理，即映射到[0,1]范圍內(nèi)，即：

12、

13、式中，xi(normalized)為歸化后的樣本數(shù)據(jù)；xi為樣本原始數(shù)據(jù)；xi(min)為樣本數(shù)據(jù)最小值；ximax為樣本數(shù)據(jù)最大值。

14、進一步地，所述步驟s3中所述相關性分析具體包括：

15、采用spearman秩相關系數(shù)分析特征變量與碳排放量的相關性，計算特征變量的相關性系數(shù)：

16、

17、其中，是相關性系數(shù)，di是每對觀測值的秩次之差，n是觀測值的數(shù)量；

18、判斷是否通過0.01顯著性檢驗，若特征變量與碳排放無相關，不選取該特征變量；若特征變量與碳排放相關，選取該特征變量。

19、進一步地，所述步驟s3中所述灰色關聯(lián)分析包括計算灰色關聯(lián)度：

20、

21、其中，分別為極差最小值和極差最大值，ρ為分辨率。

22、進一步地，所述步驟s4中對數(shù)據(jù)集進行劃分時，將80％的數(shù)據(jù)集作為訓練集，20％的數(shù)據(jù)集作為預測集。

23、進一步地，所述步驟s5中利用網(wǎng)格搜索和10折交叉驗證，具體過程包括：

24、數(shù)據(jù)集劃分為互斥的10個子集，按順序選取其中1個子集作為模型驗證集，剩余9個子集合作為訓練集，基于訓練集進行模型的學習并在驗證集上進行測試，通過對比10組的各個評價指標的準確率確定模型最佳參數(shù)。

25、進一步地，將所述隨機森林的決策樹最大深度h設置為10，將決策樹數(shù)量t設置為25。

26、進一步地，所述步驟s6中對碳排放預測模型進行訓練，利用決定性系數(shù)r2判斷碳排放預測模型的精準度，決定性系數(shù)r2等于回歸模型中預測值所引起的變異與實際子集總變異的比：

27、

28、其中，n為訓練集中的樣本總量，yi為訓練集中的碳排放預測值，為所有訓練集中yi的平均值，為利用隨機森林回歸模型所獲得的第i個樣本子集的碳排放預測值。

29、進一步地，所述步驟s7中采用平均絕對誤差、均方誤差、平均絕對百分比誤差對碳排放預測模型的效果進行驗證評估；

30、平均絕對誤差mae計算公式為：

31、

32、其中，n為樣本個數(shù)，yi為真實值，為預測值；

33、均方誤差mse計算公式為：

34、

35、其中，n為樣本個數(shù)，yi為真實值，為預測值；

36、平均絕對百分比誤差mape計算公式為：

37、

38、其中，n為樣本個數(shù)，yi為真實值，為預測值；

39、與現(xiàn)有技術相比，本發(fā)明的有益效果為：本發(fā)明的一種基于隨機森林的高速公路橋梁碳排放預測方法，能夠便于設計單位對新建高速公路橋梁的碳排放進行預計，并彌補當前高速公路橋梁建設碳排放核算數(shù)據(jù)的缺失，為前期施工方案節(jié)能降碳設計進行優(yōu)化指導，將有助于減少高速公路橋梁建設期的碳排放，促進交通行業(yè)可持續(xù)發(fā)展。

技術特征：

1.一種基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s1的所述碳排放數(shù)據(jù)包括不同橋梁工程項目的碳排放量數(shù)據(jù)以及特征變量數(shù)據(jù)。

3.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s2中所述預處理包括對數(shù)據(jù)進行歸一化處理，即映射到[0,1]范圍內(nèi)，即：

4.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s3中所述相關性分析具體包括：

5.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s3中所述灰色關聯(lián)分析包括計算灰色關聯(lián)度：

6.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s4中對數(shù)據(jù)集進行劃分時，將80％的數(shù)據(jù)集作為訓練集，20％的數(shù)據(jù)集作為預測集。

7.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s5中利用網(wǎng)格搜索和10折交叉驗證，具體過程包括：

8.根據(jù)權利要求7所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，將所述隨機森林的決策樹最大深度h設置為10，將決策樹數(shù)量t設置為25。

9.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s6中對碳排放預測模型進行訓練，利用決定性系數(shù)r2判斷碳排放預測模型的精準度，決定性系數(shù)r2等于回歸模型中預測值所引起的變異與實際子集總變異的比：

10.根據(jù)權利要求1所述的基于隨機森林的高速公路橋梁碳排放預測方法，其特征在于，所述步驟s7中采用平均絕對誤差、均方誤差、平均絕對百分比誤差對碳排放預測模型的效果進行驗證評估。

技術總結
本發(fā)明涉及碳排放數(shù)據(jù)分析技術領域，尤其涉及一種基于隨機森林的高速公路橋梁碳排放預測方法，包括如下步驟：構建碳排放數(shù)據(jù)集；對數(shù)據(jù)集進行預處理；通過相關性分析和灰色關聯(lián)分析，對采集到的數(shù)據(jù)進行碳排放預測特征變量分析，選取特征變量，作為橋梁碳排放預測模型輸入；將數(shù)據(jù)集劃分為訓練集和預測集；將數(shù)據(jù)集輸入至隨機森林中，采用網(wǎng)格搜索和10折交叉驗證法，構建碳排放預測模型；利用訓練集數(shù)據(jù)，對碳排放預測模型進行訓練；對碳排放預測模型進行預測，驗證模型的可行性。本發(fā)明能夠便于設計單位對新建高速公路橋梁的碳排放進行預測，為前期施工方案節(jié)能降碳設計進行優(yōu)化指導，促進交通行業(yè)可持續(xù)發(fā)展。

技術研發(fā)人員：陳進,曹志華,徐美娟,吳德磊,方斌,張路,別佃奎,楊友森
受保護的技術使用者：泰州市交通運輸局
技術研發(fā)日：
技術公布日：2025/1/6