融合VMD和SSA-LSSVM的交通运输业碳排放预测研究

作者：王庆荣; 王俊杰^*; 朱昌锋; 郝福乐

来源：环境工程, 2023, 41(10): 124-132.

DOI：10.13205/j.hjgc.202310016

• 交通运输业
• 变分模态分解
• 麻雀搜索算法
• 最小二乘支持向量机
• 碳排放预测

针对交通运输业碳排放数据序列的波动性和非线性问题，采用一种融合变分模态分解(VMD)、麻雀搜索算法(SSA)和最小二乘支持向量机(LSSVM)的组合预测模型，以更精准地对交通运输业碳排放量进行预测。首先，利用VMD方法将原始碳排放数据序列分解为多个复杂度低、平稳的模态分量和一个残差项，以降低碳排放数据序列的波动性和非线性；其次，对各分解模块建立LSSVM模型，并利用SSA对LSSVM模型参数进行寻优；最后，将各模块预测结果进行集成叠加，获得最终的碳排放预测结果。对我国交通运输业1990—2019年碳排放数据进行计算，以此对模型进行验证，并与多种模型进行比较。结果表明：VMD-SSA-LSSVM模型的均方根误差、平均绝对误差、平均绝对百分比误差、可决系数、Nash系数分别为628万t、574万t、0.73%、0.998、0.996,均优于其他模型，表明该模型能够有效提高预测精度。

• 单位
  兰州交通大学; 交通运输学院