基于TSPLO-BDGRU-BP模型的北京市小样本二氧化碳排放预测与空间格局分析

本研究针对小样本CO2排放数据预测难题，提出融合Tent混沌映射、Sobol序列和双碰撞机制的TSPLO优化算法，构建了BDGRU-BP混合预测模型。该模型有效捕捉时间序列特征，在北京市CO2排放预测中表现出优异精度（R2>0.97），为区域碳减排政策制定提供了可靠技术支撑，对推动低碳城市建设和可持续发展具有重要意义。

　　

在全球气候变化背景下，二氧化碳（CO₂）排放控制已成为各国实现可持续发展目标的核心议题。作为中国的政治文化中心，北京市在快速城市化进程中面临着严峻的碳排放压力。尽管政府已实施一系列减排措施，但区域碳排放的空间异质性和数据获取的局限性，使得小样本条件下的精准排放预测成为亟待解决的科学难题。传统预测方法如自回归积分滑动平均（ARIMA）和支持向量回归（SVR）在处理非线性、高维特征的小样本数据时往往表现不佳，而深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM）对数据量要求较高，容易产生过拟合现象。

为突破这些技术瓶颈，研究团队在《Ecological Informatics》发表了创新性研究成果，开发了一种基于改进极光优化算法（TSPLO）和双向门控循环单元-反向传播（BDGRU-BP）的混合预测模型。该研究整合了1997-2019年北京市多源数据，包括能源消费总量、第三产业占比、人均可支配收入、常住人口、客运量等11项特征指标，采用随机森林进行特征重要性分析，并结合因果发现算法（GES）和靶向最大似然估计（TMLE）揭示了各因素与CO₂排放的因果关系。

关键技术方法包括：1）采用Sobol序列初始化提升种群多样性；2）引入Tent混沌映射和双粒子碰撞策略增强TSPLO算法的全局搜索能力；3）构建双层GRU网络捕捉时间序列依赖关系，并结合批归一化（BN）和Dropout层防止过拟合；4）利用TSPLO优化超参数选择，通过3折交叉验证确定最优配置。

空间聚类分析

通过K-means聚类将北京市16个区划分为三类排放区域：怀柔、平谷、门头沟等远郊区为低排放集群；顺义、朝阳、大兴等区域构成中排放集群；通州区独自形成高排放集群。空间自相关分析显示，2015-2017年全球莫兰指数（Global Moran's I）显著为正（p<0.05），表明碳排放呈现明显的空间集聚特征。LISA分析进一步识别出通州-顺义-大兴形成高-高集聚区，这些区域作为北京新兴交通枢纽和产业承载区，其高排放与物流运输、产业集聚密切相关。

算法性能验证

在IEEE CEC 2022测试集上的实验表明，TSPLO算法在12个测试函数中均取得最优性能，弗里德曼检验排名第一（平均秩1.36）。其收敛精度在F3、F4、F6等函数上显著优于传统粒子群优化（PSO）、鲸鱼优化（WOA）和哈里斯鹰优化（HHO）算法，证明了改进策略在解决高维优化问题上的有效性。

预测模型比较

TSPLO-BDGRU-BP模型在测试集上达到R²=0.9755，均方误差（MSE=5.7234）较基础BP模型降低71%，平均绝对百分比误差（MAPE）控制在2.83%以内。对比实验显示：PSO-BDGRU-BP虽在训练集表现优异（R²=0.9906），但测试集性能下降至0.9341，存在明显过拟合；而传统机器学习模型如随机森林（RF）和AdaBoost在测试集的R²分别为0.9087和0.9357，均低于混合模型。因果分析发现第三产业占比、百户汽车拥有量与CO₂排放呈显著负向因果关系，这与随机森林得出的客运量重要性最高的结论形成互补，揭示了特征间复杂的交互作用。

研究结论表明，基于改进优化算法的深度学习混合模型能有效解决小样本碳排放预测问题。TSPLO算法通过混沌映射和碰撞策略增强了全局探索能力，BDGRU-BP模型则通过双重门控机制和正则化技术提升了时序特征提取效能。该模型不仅为北京市精细化碳管理提供了技术工具，其方法论框架也可推广至其他数据稀缺区域的环境预测场景。值得注意的是，研究发现通州、顺义、大兴等区域形成的排放集聚区提示政策制定需关注区域协同减排，通过产业结构优化和交通电动化转型可实现碳排放的有效控制。这项研究为推动低碳城市建设和实现联合国可持续发展目标（SDGs）提供了重要的科学依据和实践路径。