本发明涉及一种交通领域碳排放的预测方法、系统及存储介质，属于碳排放预测。
背景技术：
1、交通领域的碳排放规划成为了低碳转型的关键领域，由于交通领域的碳排放较为随机，因此对交通领域的碳排放进行规划的核心在于对交通领域某一段时间内的碳排放进行准确预测。
2、现有技术中，大多采用简单的循环神经网络来对交通领域一段时间内的碳排放进行预测，由于现有技术仅仅机械地拼接、组合复合变量，预测时并未挖掘特征间、样本间的潜在关联，使得现有技术的预测结果与实际的碳排放量存在误差，不能准确的对实际碳排放进行预测，也无法对交通领域的碳排放进行准确的规划。
技术实现思路
1、本发明要解决的第一技术问题是：如何对交通领域的碳排放量进行准确预测。
2、本发明要解决的第二技术问题是；如何提出交通领域碳排放的预测系统和存储介质，可以承载上述交通领域碳排放的预测方法。
3、为解决上述第一技术问题，本发明所提出的第一技术方案是：一种交通领域碳排放的预测方法，采集所述交通领域的历史碳排放数据、碳排放环境因素特征和碳排放损耗因素特征，所述碳排放环境因素特征包括环境温度、日照量、空气湿度和降雨量，并执行以下步骤：
4、步骤1：先将采集的所述历史碳排放数据收集起来进行预处理，然后将预处理后的所述历史碳排放数据通过滑动窗口法与所述碳排放环境因素特征和碳排放损耗因素特征纵向拼接形成碳排放特征数据序列，最后对所述碳排放特征数据序列进行归一化处理，将归一化处理后的所有碳排放特征数据收集起来形成碳排放特征数据集合c，如下式(1)所示，
5、c＝{c1、c2、...、cp} (1)
6、式(1)中，c1是采集的第一个碳排放特征数据；c2是采集的第二个碳排放特征数据；cp是采集的第p个碳排放特征数据；
7、步骤2：通过层次样本对比损失和特征对比损失将所述碳排放特征数据集合c中的碳排放环境因素特征和碳排放损耗因素特征与历史碳排放数据进行融合，并将融合后的所有特征融合数据收集起来形成碳排放融合数据集合d，如下式(2)所示，
8、d＝{d1、d2、...、dq} (2)
9、式(2)中，d1是采集的第一个碳排放融合数据；d2是采集的第二个碳排放融合数据；dq是采集的第q个碳排放融合数据；
10、所述特征融合的过程如下：
11、步骤2.1：将所述碳排放特征数据集合c中的所有数据依次映射成为时间戳t下的高维隐向量，并将所有的高维隐向量收集起来形成高维隐向量序列r，如下式(8)所示，
12、r＝{r1,t,r2,t,...,rn.t} (3)
13、式(3)中，r1,t是所述c中的第一个碳排放特征数据映射出的高维隐向量；r2,t是所述c中的第二个碳排放特征数据映射出的高维隐向量；rn.t是所述c中的最后一个碳排放特征数据映射出的高维隐向量；t是映射过程中的时间戳；
14、步骤2.2：通过层次样本对比损失和特征对比损失得到所述公式(3)中第i个高维隐向量的损失函数l，如下式(4)所示，
15、
16、公式(4)中，ri,t和ri′,t表示来自相同时间戳，但是来自两个层次样本视图的高维隐向量；ri,t和ri,t′表示来自不同时间戳，但是来自同一个层次样本的高维隐向量；
17、步骤2.3：通过步骤2.2得到损失函数对所述碳排放特征数据集合c中的所有数据进行损失融合，得到碳排放融合数据；
18、步骤3：根据长-短期时间步残差连接和循环神经网络建立初始碳排放预测模型，如下式(5)所示，
19、
20、式(5)中，w为隐层输入的权值矩阵，u为隐层之间的权值矩阵，rt为目标数据集在时刻t的输入，ht-1为前一个时间步长的隐藏状态；hend代表序列的最后一个时间步的隐藏状态，rend是序列的末尾值；dshort是短期残差深度权重，代表序列的在前dshort时间步的隐藏状态；dlong是长期残差深度权重，代表序列的在前dlong时间步的隐藏状态；v为输出层的权值矩阵；
21、通过多目标樽海鞘算法得到最优的短期残差深度权重dshort和长期残差深度权重dlong，并将最优的短期残差深度权重dshort和长期残差深度权重dlong值代入公式(3)建立最终碳排放预测模型；
22、步骤4：将所述碳排放融合数据集合d中的所有数据作为输出代入所述最终碳排放预测模型中进行碳排放预测，完成碳排放预测后将预测结果与历史碳排放数据集合b中的历史碳排放数据通过下式(6)得到最终碳排放预测模型的预测准确率v，
23、
24、式(6)中，oi是所述碳排放融合数据集合d中第i个数据代入所述最终碳排放预测模型中进行碳排放预测后的碳排放预测值；bi是所述碳排放融合数据集合d中第i个数据对应的未进行特征融合前的历史碳排放数据。
25、进一步，所述步骤1中的预处理的具体步骤如下：
26、将采集的所述历史碳排放数据收集起来形成原始历史碳排放数据集合a，如下式(7)所示，
27、a＝{a1、a2、...、an} (7)
28、式(7)中，a1是采集的第一个历史碳排放数据；a2是采集的第二个历史碳排放数据；an是采集的第n个历史碳排放数据；
29、将所述原始历史碳排放数据集合a中的所有数据通过3σ原则离群值处理方法进行处理，剔除异常数据，并将剔除异常数据后的剩余历史碳排放数据收集起来形成历史碳排放数据集合b，如下式(8)所示，
30、b＝{b1、b2、...、bm} (8)
31、式(8)中，b1是采集的第一个剩余历史碳排放数据；b2是采集的第二个剩余历史碳排放数据；bm是采集的第m个剩余历史碳排放数据。
32、进一步，所述步骤1中的归一化处理过程如下式(9)所示，
33、
34、式(7)中，x是当前进行归一化处理的数据；μ是进行归一化数据序列的均值；σ是进行归一化数据序列的标准差。
35、进一步，所述步骤3中得到最优的短期残差深度权重dshort和长期残差深度权重dlong的过程如下：
36、步骤3.1：采用分布均匀的tent混沌映射初始化来改进原始的伪随机数初始化，增加种群多样性，设置外部存档q的规模；tent混沌映射公式如下式(10)所示，
37、
38、式(10)中，zd+1是第d次迭代产生的混沌序列，α是(0，1)之间的随机数，且为避免混沌映射呈现短周期，α不等于0.5且不等于zd的初值。
39、改进后的初始化公式如下式(11)所示，
40、xd×n＝zd+1*(ub-lb)+lb (11)
41、式(11)中，x为樽海鞘种群，d为空间维数，n为种群数量，搜索空间的上界ub＝[ub1,ub2,…,ubd]，搜索空间的下界lb＝[lb1,lb2,…,lbd]；
42、步骤3.2：计算樽海鞘个体的适应度值，目标函数obj1和obj2分别为均方误差mse和平均绝对百分比误差mape，均方误差mse和平均绝对百分比误差mape的计算公式分别如下式(12)和(13)所示，
43、
44、
45、式(12)和(13)中，j为时序点的个数，ca为a时刻碳排放量的真实值，cf,a为a时刻碳排放量的测算值；
46、步骤3.3：确定当前种群的非支配解并存入外部存档r，并更新个体位置；
47、其中，樽海鞘群领导者的位置更新计算公式如下式(14)和(15)所示，
48、
49、
50、式(14)和(15)中，表示第一个樽海鞘(领导者)在第d维的位置，fd为食物(最优解)在第d维的位置，c1为控制参数，c2、c3为[0,1]之间的随机数，l为当前迭代次数，l为最大迭代次数；
51、樽海鞘群追随者的位置更新计算公式如下式(16)所示，
52、
53、式(16)中，为更新后的第h个樽海鞘群追随者在第d维的位置，为更新前第h个樽海鞘群追随者在第d维的位置，为更新前第h-1个樽海鞘群追随者在第d维的位置；
54、步骤3.4：提出自适应高斯变异策略，在每次迭代的最优解处添加扰动，通过比较每次迭代中变异个体的适应度值与原个体的大小动态调整下一次迭代中个体变异的步长；自适应高斯变异更新公式如下式(17)所示，
55、xbest′(l+1)＝xbest(l)+xbest(l)*|f′best(l)-fbest(l)|*gauss(0,1) (17)，
56、公式(17)中，xbest′(l+1)为当前迭代的变异后的个体的位置，xbest(l+1)为前一次迭代中的最优樽海鞘个体的位置，f′best(l)和fbest(l)为前一次迭代中最优个体和变异后个体的适应度值，gauss(0,1)为标准高斯随机变量生成函数；
57、步骤3.5：若当前迭代中的最优解若不优于之前迭代中的最优解，则在下一次迭代中产生一条新的反向解樽海鞘链x′，下一次迭代中当前的樽海鞘链和新的樽海鞘链同时独立进行搜索，生成反向解樽海鞘链公式如下式(18)所示，
58、x′d×n＝ub+lb-xd×n (18)，
59、步骤3.6：当一条樽海鞘链连续两次迭代都没有更新最优解，则淘汰这一条樽海鞘链，不再参与更新；然后更新当前所有樽海鞘链中的个体最优适应度值，并更新外部非支配解存档r，直到满足最大迭代次数，输出最终的pareto解集，否则重复步骤3.3，直至满足最大迭代次数，输出最终的pareto解集。
60、为解决上述的第二技术问题，本发明所提出的第二技术方案是：一种交通领域碳排放的预测系统，包括：
61、数据采集及处理模块，用于采集所述交通领域的历史碳排放数据、碳排放环境因素特征和碳排放损耗因素特征，并对所述历史碳排放数据、碳排放环境因素特征和碳排放损耗因素特征进行处理得到所述碳排放特征数据集合；
62、特征融合模块，用于所述碳排放特征数据集合中的所有数据依次进行特征融合得到碳排放融合数据集合；
63、碳排放预测模块，用于将碳排放融合数据集合中的数据输入进行交通领域的碳排放预测。
64、为解决上述第二技术问题，本发明采用的第三技术方案是：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述交通领域碳排放的预测方法的步骤。
65、本发明的有益效果：1.本发明由于采用了滑动窗口法把碳排放环境因素特征和碳排放损耗因素特征拼接在历史碳排放数据上，然后通过层次样本对比损失和特征对比损失将碳排放环境因素特征和碳排放损耗因素特征与历史碳排放数据进行融合，深度挖掘了历史碳排放不同样本之间的相关性和底层特征逻辑，可以提高碳排放预测的准确率；本发明还通过长-短期时间步残差和循环神经网络建立了原始碳排放预测模型，通过短期残差深度权重dshort和长期残差深度权重dlong来加强原始碳排放预测模型的预测准确率。2.本发明搭建了一个可以承载交通领域碳排放的预测方法的系统平台、计算机设备和存储介质，使得交通领域碳排放的预测方法可以更加流畅的应用于不同的场景。
1.一种交通领域碳排放的预测方法，采集所述交通领域的历史碳排放数据、碳排放环境因素特征和碳排放损耗因素特征，所述碳排放环境因素特征包括环境温度、日照量、空气湿度和降雨量，其特征在于：所述预测方法包括以下步骤：
2.根据权利要求1所述的交通领域碳排放的预测方法，其特征在于：所述步骤1中的预处理的具体步骤如下：
3.根据权利要求1所述的交通领域碳排放的预测方法，其特征在于：所述步骤1中的归一化处理过程如下式所示，
4.根据权利要求1所述的交通领域碳排放的预测方法，其特征在于：所述步骤3中得到最优的短期残差深度权重dshort和长期残差深度权重dlong的过程如下：
5.一种交通领域碳排放的预测系统，其特征在于：包括：
6.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述交通领域碳排放的预测方法的步骤。
