基于TSPLO-BDGRU-BP模型的北京市小样本CO2排放预测与空间因果分析研究

针对小样本CO2排放预测难题，本研究融合改进极光优化算法（TSPLO）、双层门控循环单元（BDGRU）和反向传播神经网络（BP），构建了高精度预测模型。结合空间自相关分析与因果推断（GES+TMLE），揭示了北京市碳排放的时空规律及关键驱动因素，为区域低碳政策制定提供了数据驱动的决策支持。

　　

在全球气候变化和碳中和目标的背景下，准确预测区域碳排放成为环境管理与政策制定的关键挑战。传统碳排放预测模型往往依赖于大规模数据集，而在数据有限的小样本场景下表现不佳。北京市作为中国快速城市化的典型代表，其碳排放动态受到多重复杂因素影响，亟需开发适应小样本数据的高精度预测方法。

为应对这一挑战，研究人员在《Ecological Informatics》发表了题为"基于TSPLO-BDGRU-BP模型的北京市小样本CO₂排放预测与空间因果分析"的研究。该研究创新性地整合了改进的极光优化算法（TSPLO）、双层门控循环单元（BDGRU）和反向传播神经网络（BP），构建了一套针对小样本碳排放数据的预测框架。

关键技术方法包括：1）采用Sobol序列初始化和Tent混沌映射增强极光优化算法（PLO），提升参数搜索效率；2）构建包含批量归一化（BN）和Dropout层的双层GRU网络，提取时间序列特征；3）结合随机森林特征重要性分析和GES因果发现算法，识别关键驱动因素；4）使用TMLE进行因果效应估计。数据来源于1997-2019年北京市统计年鉴和CEAD碳排放数据库，涵盖11项经济社会指标。

研究结果

3.1 数据获取与处理

通过空间自相关分析发现，2015-2017年北京市碳排放呈现显著空间聚集性（Global Moran's I>0.25, p<0.05）。LISA分析识别出通州、顺义和大兴为高-高聚集区，而K-means聚类将区域划分为低（怀柔、平谷）、中（朝阳、大兴）和高（通州）排放三类。

3.2 TSPLO算法测试

在CEC 2022测试函数上，TSPLO在12项测试中11项领先，弗里德曼检验排名第一（平均秩1.36）。其收敛精度较原始PLO算法提升38%，特别是在F3、F4、F6等复杂函数上表现出卓越的全局搜索能力。

3.3 数据特征分析

随机森林特征重要性排序显示：客运量（0.1667）、政府一般公共预算支出（0.1001）和研发内部支出（0.0992）是前三大影响因素。GES因果图进一步揭示第三产业占比、政府支出和能源消费总量对CO₂排放存在直接因果关联。

3.4 TSPLO-BDGRU-BP模型实验

该模型在全数据集上达到R²=0.9772，MSE=3.4616，显著优于对比模型（PSO-BDGRU-BP的MSE=15.3739）。测试集MAPE仅2.83%，且无过拟合现象（训练/测试集R²差值<0.003）。消融实验证实TSPLO优化使模型性能提升66.2%。

讨论与结论

本研究通过多技术融合成功解决了小样本碳排放预测的三大核心问题：1）TSPLO算法有效优化了高维参数搜索；2）BDGRU结构捕获了时间序列的长期依赖关系；3）因果分析揭示了客运量与百户汽车拥有量的负向因果效应（TMLE估计值-0.12）。研究成果为区域碳排放精准管控提供了新方法论，特别适用于数据稀缺场景下的环境决策。值得注意的是，第三产业占比的提升与碳排放的负相关关系，提示产业结构优化是实现双碳目标的有效路径。未来研究可进一步探索多源数据融合与跨区域迁移学习框架的构建。