基于TSPLO-BDGRU-BP模型的北京市小样本CO2排放预测与空间格局分析

为应对小样本CO2排放预测难题，本研究提出TSPLO-BDGRU-BP混合模型，结合改进极光优化算法（TSPLO）、双层门控循环单元（BDGRU）和反向传播网络（BP），实现对北京市CO2排放的高精度预测。模型在测试集上R2达0.9755，显著优于传统方法，为区域碳减排政策制定提供数据支撑，助力可持续发展目标实现。

　　

在全球气候变化与碳中和目标的背景下，准确预测区域二氧化碳（CO₂）排放成为实现可持续发展的重要环节。然而，传统预测模型在处理小样本、高维度数据时常面临精度不足、过拟合等问题。尤其像北京这样的超大城市，其CO₂排放数据受多重因素影响，包括产业结构、交通流量、能源消耗等，传统方法难以捕捉其复杂时空特征。

为应对这一挑战，研究人员在《Ecological Informatics》发表论文，提出了一种创新性的混合预测模型TSPLO-BDGRU-BP。该模型融合了改进的极光优化算法（Tent-Sobol Polar Lights Optimization, TSPLO）、双层门控循环单元（Bidirectional Gated Recurrent Unit, BDGRU）和反向传播神经网络（Back Propagation, BP），旨在提升小样本CO₂排放数据的预测精度与鲁棒性。

研究团队首先收集了北京市1997–2019年的CO₂排放数据及11项相关特征指标（如第三产业占比、人均可支配收入、公共交通运营车辆数等），通过随机森林特征重要性分析筛选出关键影响因素。随后，利用空间自相关分析（包括全局与局部Moran’s I）揭示北京市CO₂排放的空间聚集特征，发现顺义、通州和大兴区呈现显著的高-高聚类模式。

在模型构建方面，作者采用多项关键技术：

1. 1.

   使用Sobol序列初始化种群，提升算法全局搜索能力；

2. 2.

   引入Tent混沌映射与双粒子碰撞策略增强TSPLO的探索与开发平衡；

3. 3.

   在BDGRU网络中嵌入批归一化（Batch Normalization）和Dropout层，防止过拟合；

4. 4.

   通过TSPLO优化超参数，以3折交叉验证均方误差（MSE）为目标函数。数据来源于中国排放核算数据集（CEAD）和北京统计年鉴，确保了权威性与可靠性。

研究结果显著：

• •

  空间分析显示排放聚集性：2015–2017年全局Moran’s I指数显著（p<0.05），表明CO₂排放存在空间自相关，高值区集中于城市核心与工业带。

• •

  TSPLO算法性能优越：在IEEE CEC 2022测试函数上，TSPLO排名第一（Fried Test平均秩1.36），收敛速度与精度均优于PLO、PSO、HHO等算法。

• •

  混合模型预测精度最高：TSPLO-BDGRU-BP在测试集上MSE仅5.7234，R²达0.9755，较未优化模型（BDGRU-BP）误差降低72%，且无过拟合现象（训练与测试性能一致）。

• •

  因果分析揭示关键驱动因子：通过GES因果发现与TMLE效应估计，确认第三产业占比、政府预算支出与能源消费总量对CO₂排放有直接因果效应，而客运量虽特征重要性高，但无直接因果关系，提示其影响可能通过其他变量间接实现。

结论表明，TSPLO-BDGRU-BP模型不仅有效解决了小样本CO₂排放预测的难题，还为区域碳减排策略提供了精准的数据支持。北京市的排放空间聚集性提示需实施差异化管控政策，例如在高排放区优先推动产业结构调整与交通电动化。该模型的成功应用可为其他城市乃至全球可持续发展目标（SDGs）下的碳治理提供技术范式，尤其在数据稀缺场景中展现强大适应性。未来研究可进一步探索模型在多区域、多场景下的泛化能力，并集成更多动态社会经济指标以提升预测时效性。