小样本多维驱动因素下的行业碳排放预测方法

doi:10.16381/j.cnki.issn1003-207x.2024.2065

摘要/Abstract

摘要：

准确地预测行业碳排放总量及识别关键碳排放驱动因素能够为国家碳排放管控部门提供决策参考，对于实现“双碳”目标具有重要意义。由于我国碳排放数据核算工作起步较晚，导致现有数据存在小样本、多驱动因素、波动性强与非单调等特点，因此，对其准确预测变得极为困难。为增强小样本多维驱动因素数据条件下预测模型的关键特征选择能力和泛化能力，本文提出了一种新的行业碳排放预测方法。该方法选取了基于小样本的支持向量回归机作为核心预测模型，利用深度Q网络特征工程方法选择多元交叉驱动因素中的典型特征，并使用麻雀搜索算法优化核心模型的参数，从而有效地提升了该方法在小样本多维驱动因素下的预测能力与泛化能力。数值实验通过选取我国建筑业和交通运输业两个典型行业的碳排放数据作为研究对象，实验结果表明：在小样本多维驱动因素数据下进行行业碳排放预测，相较于传统的预测模型，本文所提预测方法不仅能够更加准确且有效地预测相关行业的碳排放变化趋势，而且能够直接地提取出关键碳排放驱动因素，展现出更良好的鲁棒性和预测性。

关键词: 小样本, 多维驱动因素, 行业碳排放预测, 特征工程, 参数优化

Abstract:

Accurately predicting the total carbon emissions of industries and identifying the key driving factors of carbon emissions are crucial for decision-making in carbon emission control， significantly contributing to China's “dual carbon” goal. However， the accounting process of carbon emission data in China started relatively late and is characterized by small samples， multiple driving factors， high volatility， and non-monotonic patterns， which makes precise predictions particularly challenging. To enhance both the feature selection and generalization capabilities of prediction models under conditions involving small samples and multiple driving factors， a novel method for predicting industrial carbon emissions is proposed.This method mainly consists of three modules as follows：（1） Feature Engineering Module： It uses the Deep Q-Network （DQN） learning method to analyze the correlation between higher-order cross features and carbon emissions sequences， extracting the driving factor sequence that best characterizes the industrial carbon emission trend， thereby avoiding interference from redundant factors during the information integration of the prediction model.（2）Parameter Optimization Module： The Sparrow Search Algorithm （SSA） is employed to optimize the penalty parameter $c$ and kernel parameter $g$ of Support Vector Regression （SVR）， improving the model training performance and enhancing its generalization capability.（3）Prediction Module： Based on the state features $S t$ output by DQN with $S t = {f 1, …, f n}$ representing the state of the $n$ driving factors $f i$ at the $t$ -th iteration， and based on the optimal parameters $c$ and $g$ provided by SSA， the widely used SVR model is selected to train and predict the industrial carbon emission sequence. The resulting model based on SVR is able to achieve accurate predictions for industrial carbon emissions.The data used in this study are from China's construction and transportation industries from 2005 to 2020， and are sourced from the National Bureau of Statistics of China， Carbon Emission Accounts and Datasets （CEADS） and the China Building Energy Conservation Association. During the numerical experiment， cross-validation and multi-step time series forecasting are used to conduct 2-step， 3-step， and 5-step prediction experiments， resulting in a total of 18 experiments. The numerical results reveal that the proposed predicting method surpasses traditional predicting methods， such as LSTM， ELM， GRU， BP， etc.， demonstrating greater robustness and predictive ability， and achieving more precise and effective forecasts of industrial carbon emission trends characterized by small samples and multiple driving factors.

Key words: small samples, multiple driving factors, industrial carbon emissions forecast, feature selection, parameter optimization

中图分类号:

F201

赖晓凡,张泽宇,石绣天, 等. 小样本多维驱动因素下的行业碳排放预测方法[J]. 中国管理科学, 2026, 34(10): 372-385.

Xiaofan Lai,Zeyu Zhang,Xiutian Shi, et al. Prediction Method of Industrial Carbon Emissions under Multiple Driving Factors and Small Samples[J]. Chinese Journal of Management Science, 2026, 34(10): 372-385.

图/表 15

图1

表1

建筑业全寿命周期碳排放驱动因素"

碳排放来源阶段	驱动因素
建材生产阶段	钢材生产量( $f 1$ )、铝材生产量( $f 2$ )、水泥生产量( $f 3$ )、玻璃生产量( $f 4$ )、木材生产量( $f 5$ )
建筑施工阶段	煤炭消耗量( $f 6$ )、天然气消耗量( $f 7$ )、焦炭消耗量( $f 8$ )、柴油消耗量( $f 9$ )、煤油消耗量( $f 10$ )、汽油消耗量( $f 11$ )、燃料油消耗量( $f 12$ )、电力消耗量( $f 13$ )
建筑运行阶段	公共建筑能耗( $f 14$ )、居民生活能耗( $f 15$ )、采暖建筑供热中间能耗( $f 16$ )

表1

表2

交通运输业碳排放驱动因素"

因素类别	驱动因素
行业规模	就业人员数( $f 1$ )、运输线路里程数( $f 2$ )、汽车拥有量( $f 3$ )、民用机动运输船数( $f 4$ )、民用飞机架数( $f 5$ )
能源消费	煤炭消耗量( $f 6$ )、天然气消耗量( $f 7$ )、原油消耗量( $f 8$ )、柴油消耗量( $f 9$ )、煤油消耗量( $f 10$ )、汽油消耗量( $f 11$ )、燃料油消耗量( $f 12$ )、电力消耗量( $f 13$ )
运输总量	旅客运输总量( $f 14$ )、货物运输总量( $f 15$ )

表2

图2

图3

表3

表4

图4

图5

图6

表5

表6

图7

表7

表8

参考文献 45

[1]	国务院新闻办公室. 中国应对气候变化的政策与行动［EB/OL］.（2021-10-27）［2025-03-26］..
	The State Council Information Office. Responding to climate change： China’s policies and actions［EB/OL］. （2021-10-27）［2025-03-26］..
[2]	吕康娟，胡颖. 灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究［J］. 中国管理科学， 2020， 28（8）： 196-208.
	Lv K J， Hu Y. Prediction of inter-industry carbon emissions transfer network in China based on grey quantum particle swarm optimizing general vector machine［J］. Chinese Journal of Management Science， 2020， 28（8）： 196-208.
[3]	俞春华，佘程熙，李金霞，等. 基于LSTM的供应链全生命周期碳足迹测度与预测研究［J］. 工业工程， 2024， 27（5）： 161-171.
	Yu C H， She C X， Li J X， et al. Research on measuring and predicting the carbon footprint of supply chain throughout its life cycle based on LSTM［J］. Industrial Engineering Journal， 2024， 27（5）： 161-171.
[4]	吴振信，石佳. 基于STIRPAT和GM（1， 1）模型的北京能源碳排放影响因素分析及趋势预测［J］. 中国管理科学， 2012， 20（S2）： 803-809.
	Wu Z X， Shi J. The influencing factor analysis and trend forecasting of Beijing energy carbon emission based on STIRPAT and GM（1， 1）model’s［J］. Chinese Journal of Management Science， 2012， 20（S2）： 803-809.
[5]	鲁万波，仇婷婷，杜磊. 中国不同经济增长阶段碳排放影响因素研究［J］. 经济研究， 2013， 48（4）： 106-118.
	Lu W B， Qiu T T， Du L. A study on influence factors of carbon emissions under different economic growth stages in China［J］. Economic Research Journal， 2013， 48（4）： 106-118.
[6]	Shan Y L， Guan D B， Zheng H R， et al. China CO₂ emission accounts 1997-2015［J］. Scientific Data， 2018， 5： 170201.
[7]	Shan Y L， Huang Q， Guan D B， et al. China CO₂ emission accounts 2016-2017［J］. Scientific Data， 2020， 7： 54.
[8]	Guan Y R， Shan Y L， Huang Q， et al. Assessment to China’s recent emission pattern shifts［J］. Earth’s Future， 2021， 9（11）： e2021EF002241.
[9]	Xu J H， Guan Y R， Oldfield J， et al. China carbon emission accounts 2020-2021［J］. Applied Energy， 2024， 360： 122837.
[10]	中国建筑节能协会. 中国建筑能耗研究报告［R］. 研究报告，中国建筑节能协会， 2022.
	China Building Energy Conservation Association. China building energy consumption research report［R］. Discussion Paper， China Building Energy Conservation Association， 2022.
[11]	Pao H T， Fu H C， Tseng C L. Forecasting of CO₂ emissions， energy consumption and economic growth in China using an improved grey model［J］. Energy， 2012， 40（1）： 400-409.
[12]	Zhao X B， Du D. Forecasting carbon dioxide emissions［J］. Journal of Environmental Management， 2015， 160： 39-44.
[13]	张国兴，苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测［J］. 管理评论， 2020， 32（12）： 283-294.
	Zhang G X， Su Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow River Basin［J］. Management Review， 2020， 32（12）： 283-294.
[14]	朱长征，杨莎，刘鹏博，等. 中国交通运输业碳达峰时间预测研究［J］. 交通运输系统工程与信息， 2022， 22（6）： 291-299.
	Zhu C Z， Yang S， Liu P B， et al. Carbon dioxide emission peak study of transportation industry in China［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（6）： 291-299.
[15]	张志捷. 碳达峰约束下中国交通运输行业碳排放预测研究［D］. 西安：长安大学， 2023.
	Zhang Z J. Carbon emission forecasting in China’s transportation industry under carbon peaking constraints［D］. Xi’an： Changan University， 2023.
[16]	章高敏，王腾，娄渊雨，等. 基于LSTM神经网络的中国省级碳达峰路径分析［J］. 中国管理科学， 2025， 33（3）： 339-350.
	Zhang G M， Wang T， Lou Y Y， et al. Research on China’s provincial carbon emission peak path based on a LSTM neural network approach［J］. Chinese Journal of Management Science， 2025， 33（3）： 339-350.
[17]	Sun W， Ren C M. Short-term prediction of carbon emissions based on the EEMD-PSOBP model［J］. Environmental Science and Pollution Research， 2021， 28（40）： 56580-56594.
[18]	Lu C， Li W， Gao S B. Driving determinants and prospective prediction simulations on carbon emissions peak for China’s heavy chemical industry［J］. Journal of Cleaner Production， 2020， 251： 119642.
[19]	Li Y M， Dong H K， Lu S S. Research on application of a hybrid heuristic algorithm in transportation carbon emission［J］. Environmental Science and Pollution Research， 2021， 28（35）： 48610-48627.
[20]	徐勇戈，宋伟雪. 基于FCS-SVM的建筑业碳排放预测研究［J］. 生态经济， 2019， 35（11）： 37-41.
	Xu Y G， Song W X. Carbon emission prediction of construction industry based on FCS-SVM［J］. Ecological Economy， 2019， 35（11）： 37-41.
[21]	Dong J， Li C B. Scenario prediction and decoupling analysis of carbon emission in Jiangsu Province， China［J］. Technological Forecasting and Social Change， 2022， 185： 122074.
[22]	Zhang Y D， Li X， Zhang Y W. A novel integrated optimization model for carbon emission prediction： A case study on the group of 20［J］. Journal of Environmental Management， 2023， 344： 118422.
[23]	贺昊，周健，朱磊. 基于特征选择的火电机组燃煤量预测模型比较研究［J］. 中国管理科学， 2024， DOI：10.16381/j.cnki.issn1003-207x.2023.1457 .
	He H， Zhou J， Zhu L. Comparative study on coal consumption prediction models of thermal power units based on feature selection［J］. Chinese Journal of Management Science， 2024， DOI： 10. 16381 /j.cnki.issn1003-207x.2023.1457 .
[24]	朱晓峰，徐曼菲，刘治红，等. 集成主成分分析与随机森林模型的关键工装寿命预测方法［J］. 工业工程， 2023， 26（5）： 149-158.
	Zhu X F， Xu M F， Liu Z H， et al. Life span prediction of key fixtures integrating principal component analysis and random forest model［J］. Industrial Engineering Journal， 2023， 26（5）： 149-158.
[25]	冯易，王杜娟，胡知能，等. 基于改进LightGBM集成模型的胃癌存活性预测方法［J］. 中国管理科学， 2023， 31（10）： 234-244.
	Feng Y， Wang D J， Hu Z N， et al. Prediction method for gastric cancer survivability based on an improved LightGBM ensemble model［J］. Chinese Journal of Management Science， 2023， 31（10）： 234-244.
[26]	Huang Y S， Shen L， Liu H. Grey relational analysis， principal component analysis and forecasting of carbon emissions based on long short-term memory in China［J］. Journal of Cleaner Production， 2019， 209： 415-423.
[27]	符川川. 基于PCA-SVR的中国省际碳排放量预测与时空演化研究［D］. 天津：天津理工大学， 2019.
	Fu C C. Research on China’s interprovincial carbon emission forecast and spatio-temporal evolution based on PCA-SVR［D］. Tianjin： Tianjin University of Technology， 2019.
[28]	Qi Y W， Liu H L， Zhao J B. Prediction model and demonstration of regional agricultural carbon emissions based on Isomap-ACO-ET： A case study of Guangdong Province， China［J］. Scientific Reports， 2023， 13： 12688.
[29]	李欣倩，唐丽娟，任佳.一种基于深度强化学习的特征选择方法：中国专利，202011369962［P］，2021.03.12. .
	Li X Q， Tang L J， Ren J. A feature selection method based on deep reinforcement learning： China， CN202011369962［P］，2021.03.12..
[30]	张鹏，张瑞. 基于强化学习的特征选择方法及材料学应用［J］. 上海大学学报（自然科学版）， 2022， 28（3）： 463-475.
	Zhang P， Zhang R. Feature selection based on reinforcement learning and its application in material informatics［J］. Journal of Shanghai University （Natural Science Edition）， 2022， 28（3）： 463-475.
[31]	Mu T Y， Wang H Z， Wang C N， et al. Auto-CASH： A meta-learning embedding approach for autonomous classification algorithm selection［J］. Information Sciences， 2022， 591： 344-364.
[32]	Mnih V， Kavukcuoglu K， Silver D， et al. Human-level control through deep reinforcement learning［J］. Nature， 2015， 518（7540）： 529-533.
[33]	Xue J J， Shen B. A novel swarm intelligence optimization approach： Sparrow search algorithm［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34.
[34]	段玉先，刘昌云. 基于Sobol序列和纵横交叉策略的麻雀搜索算法［J］. 计算机应用， 2022， 42（1）： 36-43.
	Duan Y X， Liu C Y. Sparrow search algorithm based on Sobol sequence and crisscross strategy［J］. Journal of Computer Applications， 2022， 42（1）： 36-43.
[35]	丁世飞，齐丙娟，谭红艳. 支持向量机理论与算法研究综述［J］. 电子科技大学学报， 2011， 40（1）： 1-10.
	Ding S F， Qi B J， Tan H Y. An overview on theory and algorithm of support vector machines［J］. Journal of University of Electronic Science and Technology of China， 2011， 40（1）： 2-10.
[36]	孙涵，杨普容，成金华. 基于Matlab支持向量回归机的能源需求预测模型［J］. 系统工程理论与实践， 2011， 31（10）： 2001-2007.
	Sun H， Yang P R， Cheng J H. Forecasting model of energy demand based on Matlab support vector regression［J］. Systems Engineering-Theory & Practice， 2011， 31（10）： 2001-2007.
[37]	陈垚，毛保华，柏赟，等. 基于支持向量回归的地铁牵引能耗预测［J］. 系统工程理论与实践， 2016， 36（8）： 2101-2107.
	Chen Y， Mao B H， Bai Y， et al. Forecasting traction energy consumption of metro based on support vector regression［J］. Systems Engineering-Theory & Practice， 2016， 36（8）： 2101-2107.
[38]	张晨，杨仙子. 基于多频组合模型的中国区域碳市场价格预测［J］. 系统工程理论与实践， 2016， 36（12）： 3017-3025.
	Zhang C， Yang X Z. Forecasting of China’s regional carbon market price based on multi-frequency combined model［J］. Systems Engineering —Theory & Practice， 2016， 36（12）： 3017-3025.
[39]	范丽伟，董欢欢，渐令. 基于滚动时间窗的碳市场价格分解集成预测研究［J］. 中国管理科学， 2023， 31（1）： 277-286.
	Fan L W， Dong H H， Jian L. A decomposition ensemble model with sliding time window for forecasting carbon market prices［J］. Chinese Journal of Management Science， 2023， 31（1）： 277-286.
[40]	Diebold F X， Mariano R S. Comparing predictive accuracy［J］. Journal of Business & Economic Statistics， 1995， 13（3）： 253-263.
[41]	王方，余乐安，查锐. 季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究［J］. 中国管理科学， 2022， 30（3）： 199-210.
	Wang F， Yu L A， Zha R. Research on decomposition-ensemble approach for predicting E-waste recovery scale driven by seasonal data characteristics［J］. Chinese Journal of Management Science，2022，30（3）： 199-210.
[42]	尚春静，张智慧. 建筑生命周期碳排放核算［J］. 工程管理学报， 2010， 24（1）： 7-12.
	Shang C J， Zhang Z H. Assessment of life-cycle carbon emission for buildings［J］. Construction Management Modernization， 2010， 24（1）： 7-12.
[43]	卢建锋，傅惠，王小霞. 区域交通运输业碳排放效率影响因素研究［J］. 交通运输系统工程与信息， 2016， 16（2）： 25-30.
	Lu J F， Fu H， Wang X X. Research on the impact of regional transportation emissions efficiency factors［J］. Journal of Transportation Systems Engineering and Information Technology， 2016， 16（2）： 25-30.
[44]	李宁海，陈硕，梁肖，等. 我国交通运输业碳达峰时间预测［J］. 交通运输系统工程与信息， 2024， 24（1）： 2-13+54.
	Li N H， Chen S， Liang X， et al. Prediction of transportation industry carbon peak in China［J］. Journal of Transportation Systems Engineering and Information Technology， 2024， 24（1）： 2-13+54.
[45]	陆文星，任环宇，梁昌勇，等. 基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测［J］. 工业工程， 2024， 27（1）： 86-95+127.
	Lu W X， Ren H Y， Liang C Y， et al. Manufacturing PMI forecasting based on wavelet decomposition and a ARMA-GARCH-GRU combination model［J］. Industrial Engineering Journal， 2024， 27（1）： 86-95+127.

数据集	步长	评价指标	预测模型
数据集	步长	评价指标	DQN-SSA-SVR	SVR	LSTM	GRU	ELM	BP	GM	ARIMA
建筑业	2步	RMSE	0.627	2.808	5.498	4.429	7.433	18.469	6.353	4.502
	2步	MAE	0.522	2.599	5.082	4.114	6.718	18.061	6.087	4.487
	3步	RMSE	0.216	4.057	3.914	1.666	4.169	15.082	10.943	3.700
	3步	MAE	0.192	3.525	3.805	1.477	4.096	14.350	10.546	3.245
	5步	RMSE	0.396	2.612	1.090	3.424	4.260	6.986	2.517	1.733
	5步	MAE	0.333	2.004	0.997	2.679	3.440	7.556	1.784	1.120
交通运输业	2步	RMSE	0.044	0.175	0.407	0.378	1.200	1.536	0.328	0.339
	2步	MAE	0.036	0.155	0.383	0.341	0.930	1.434	0.294	0.311
	3步	RMSE	0.042	0.226	0.388	0.455	0.871	1.178	0.910	0.431
	3步	MAE	0.040	0.165	0.372	0.404	0.605	0.910	0.803	0.341
	5步	RMSE	0.042	0.433	0.374	0.257	1.223	0.243	0.524	0.254
	5步	MAE	0.037	0.376	0.327	0.181	1.101	0.158	0.424	0.243

模型	建筑业			交通运输业
模型	2步实验	3步实验	5步实验	2步实验	3步实验	5步实验
SVR	-2.913^***	-3.252^***	-3.512^***	-3.374^***	-1.674^*	-3.280^***
LSTM	-3.090^***	-5.722^***	-2.251^**	-5.501^***	-4.812^***	-2.858^***
GRU	-3.537^***	-3.781^***	-4.591^***	-4.273^***	-3.221^***	-1.747^*
ELM	-4.227^***	-2.453^**	-4.983^***	-1.584	-1.937^*	-2.749^***
BP	-4.708^***	-4.627^***	-9.778^***	-4.642^***	-1.759^*	-1.453
GM	-2.773^***	-3.787^***	-3.186^***	-3.396^***	-2.917^***	-2.694^***
ARIMA	-3.531^***	-2.839^***	-1.961^**	-5.142^***	-2.412^**	-2.873^***

数据集	步长	评价指标	预测模型
数据集	步长	评价指标	DQN-SSA-SVR	DQN-SVR	SSA-SVR	SVR
建筑业	2步	RMSE	0.627	1.596	2.116	2.808
	2步	MAE	0.522	1.493	2.000	2.599
	3步	RMSE	0.216	0.723	0.864	4.057
	3步	MAE	0.192	0.606	0.829	3.525
	5步	RMSE	0.396	0.642	1.936	2.612
	5步	MAE	0.333	0.574	1.692	2.004
交通运输业	2步	RMSE	0.044	0.071	0.120	0.175
	2步	MAE	0.036	0.063	0.109	0.155
	3步	RMSE	0.042	0.079	0.086	0.226
	3步	MAE	0.040	0.065	0.068	0.165
	5步	RMSE	0.042	0.072	0.148	0.433
	5步	MAE	0.037	0.088	0.122	0.376

数据集	步长	DQN-SVR	SSA-SVR
建筑业	2步	-2.061^**	-2.110^**
	3步	-2.273^**	-3.281^***
	5步	-1.032	-3.582^***
交通运输业	2步	-1.963^*	-2.543^***
	3步	-1.192	-0.923
	5步	-1.278	-2.797^***

数据集	步长	评价指标	预测模型
			不同特征工程模型			不同参数优化模型		SVR
			DQN-SVR	PCA-SVR	Isomap-SVR	SSA-SVR	PSO-SVR	SVR
建筑业	2步	RMSE	1.596	5.466	4.436	2.116	5.468	2.808
	2步	MAE	1.493	5.104	4.056	2.000	5.217	2.599
	3步	RMSE	0.723	2.353	4.428	0.864	1.733	4.057
	3步	MAE	0.606	1.846	3.974	0.829	1.608	3.525
	5步	RMSE	0.642	1.460	3.831	1.936	2.148	2.612
	5步	MAE	0.574	1.382	2.404	1.692	1.768	2.004
交通运输业	2步	RMSE	0.071	0.464	0.821	0.120	0.543	0.175
	2步	MAE	0.063	0.437	0.801	0.109	0.529	0.155
	3步	RMSE	0.079	0.445	0.536	0.086	0.178	0.226
	3步	MAE	0.065	0.417	0.518	0.068	0.145	0.165
	5步	RMSE	0.072	0.912	0.722	0.148	0.166	0.433
	5步	MAE	0.088	0.897	0.699	0.122	0.148	0.376