郑灵兵

本研究聚焦人工智能在碳排放预测与政策仿真中的应用，构建高精度预测模型并评估减排政策效果。研究采集国际能源署等机构的碳排放数据，用深度学习模型预测，采用小批量梯度下降算法训练，经交叉验证显示模型准确率高、泛化能力强。引入系统动力学模型进行政策仿真，某地区案例表明严格减排政策可显著降碳，但需平衡经济发展。模型在极端情况预测上仍有提升空间，可通过引入更多特征变量、优化结构及增强可解释性改进。研究揭示了人工智能在此领域的潜力，为政策制定提供科学依据，强调政策需综合多因素以实现可持续发展，对推动低碳经济和应对气候变化意义重大。

人工智能；碳排放预测；政策仿真；深度学习；系统动力学；低碳发展

[1] 苏健,梁英波,丁麟,等.碳中和目标下我国能源发展战略探讨[J].中国科学院院刊.2021,(9). [2] 佟昕,陈凯,李刚.中国碳排放影响因素分析和趋势预测--基于 STIRPAT 和 GM（1,1）模型的实证研究[J].东北大学学报（自然科学版）.2015,(2). [3] 刘春梅,钱啸吟."双碳"目标下中国能源消费碳排放量预测[J].资源科学.2023,45(10). [4] 陈良臣,傅德印.面向小样本数据的机器学习方法研究综述[J].计算机工程.2022,48(11). [5] 萨和雅,王路航,恩和巴图,等.数学模型在区域碳达峰中的应用综述[J].内蒙古师范大学学报（自然科学汉文版）.2021,(6).

点击下载PDF