MLP增强的CO2排放预测模型与LWSSA自然灵感优化
Agoub Abdulhafith Younes Mussa1, Wagdi M S Khalifa2
1Cyprus Health and Social Sciences University, Mersin 10, Turkey. mussaagoub@gmail.com.
Scientific reports
|January 13, 2025
概括
这项研究引入了一种新的机器学习框架,用于准确预测二氧化碳 (CO2) 排放. 混合模型确定了关键的排放驱动因素,为环境政策和可持续发展提供了洞察力.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 随着二氧化碳 (CO2) 排放量的增加,环境面临重大威胁,需要先进的预测方法.
- 机器学习 (ML) 为分析复杂的排放模式和识别影响因素提供了强大的工具.
- 对于ML模型的传统优化方法通常存在诸如过早融合等局限性.
研究的目的:
- 开发和验证一种新的混合ML框架,用于精确预测二氧化碳排放.
- 增强ML模型的优化过程,克服现有技术的局限性.
- 识别和排名导致二氧化碳排放的最重要因素.
主要方法:
- 一个混合框架,将多层感知器 (MLP) 与增强的局部加权Salp Swarm算法 (LWSSA) 结合起来.
- 为了更好的优化,LWSSA集成了局部加权机制 (LWM) 和突变机制 (MM).
- 使用变特征显著性分析来确定因子的重要性.
主要成果:
- 在LWSSA-MLP框架中,预测准确率高达97%.
- 与传统的基于优化器的MLP模型相比,拟的模型表现出更高的性能.
- 确定的主要驱动因素包括全球贸易,煤炭能源,出口水平,城市化和自然资源.
结论:
- 该研究为二氧化碳排放预测提供了一个可靠和可扩展的框架.
- 这些发现为制定有针对性的干预措施和可持续发展战略提供了宝贵的见解.
- 增强的LWSSA-MLP模型为环境监测和政策制定提供了强大的解决方案.
