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

本研究针对小样本CO2排放预测难题，提出一种融合Tent混沌映射与Sobol序列的极光优化算法（TSPLO），结合双层门控循环单元（BDGRU）和反向传播神经网络（BP），构建了TSPLO-BDGRU-BP混合预测模型。通过北京市1997-2019年数据验证，该模型在MSE、R2等指标上显著优于传统方法，精准捕捉CO2排放时空特征，为城市碳减排政策制定提供了可靠的技术支撑。

　　

在全球气候变化加剧的背景下，城市碳排放精准预测已成为实现碳达峰、碳中和目标的关键技术挑战。传统碳排放预测模型往往依赖于大规模数据集，而实际应用中，许多地区仅能获取有限年份的观测数据，这种小样本特性使得主流机器学习模型容易出现过拟合、预测精度不足等问题。北京市作为中国城市化进程的典型代表，其碳排放动态既受工业结构、交通网络等宏观因素影响，又表现出复杂的时空异质性，亟需一种能够兼顾小样本适应性和时空特征捕捉的创新预测方法。

为破解这一难题，研究团队在《Ecological Informatics》发表了题为"Small sample CO₂ emission prediction using TSPLO-BDGRU-BP model with spatial autocorrelation and causal analysis in Beijing"的研究论文。该研究独创性地将改进的极光优化算法（TSPLO）与深度学习架构相结合，通过多维特征分析和因果推理，实现了对北京市碳排放的高精度预测和驱动机制解析。

本研究采用的技术方法体系包含四个核心环节：首先基于北京市1997-2019年的经济社会与碳排放面板数据，采用随机森林算法筛选出乘客运输量、政府预算支出等11个关键特征变量；继而运用空间自相关分析（Global Moran's I和LISA）揭示碳排放的空间聚集模式；随后开发了TSPLO优化算法，该算法通过Sobol序列初始化、Tent混沌映射和双粒子碰撞机制增强全局搜索能力；最终构建BDGRU-BP预测模型，其中双层门控循环单元（GRU）负责提取时间序列特征，批归一化（BN）和Dropout层提升模型稳定性，并通过TSPLO算法优化超参数配置。

研究结果呈现以下重要发现：

3.1 数据获取与处理

北京市碳排放数据呈现显著的空间分异特征。全局莫兰指数分析显示，2015-2017年间碳排放呈现显著空间正相关（p<0.05，Z>1.8），其中2017年空间聚集性最强。局部热点分析识别出通州、顺义和大兴三个高-高聚集区，这些区域作为交通枢纽和工业集中区，碳排放强度明显高于其他区域。

3.2 TSPLO算法测试

在IEEE CEC 2022测试函数集上的实验表明，TSPLO算法在12个测试函数中的7个（F3、F4、F6、F7、F8、F10、F12）取得最优收敛精度，平均弗里德曼排名为1.36，显著优于原始PLO、粒子群优化（PSO）和鲸鱼优化（WOA）等对比算法。其独特的混沌映射机制有效避免了局部最优，而双粒子碰撞策略增强了高维空间搜索效率。

3.3 数据特征分析

随机森林特征重要性排序显示，乘客运输量（0.1667）和政府一般公共预算支出（0.1001）是对碳排放影响最显著的两个因子。GES因果发现算法进一步揭示：第三产业占比、政府预算支出、消费者价格指数和能源消费总量与碳排放存在直接因果关系，而乘客运输量虽在特征重要性中排名第一，却未显示直接因果效应，表明其影响可能通过其他变量间接传递。

3.4 TSPLO-BDGRU-BP模型实验

在北京市碳排放预测任务中，TSPLO-BDGRU-BP模型在全数据集上取得MSE=3.4616、R²=0.9772的优异性能，较传统BP模型（MSE=20.6813）精度提升83.3%。特别值得注意的是，该模型在测试集上MAPE仅为2.83%，显著优于PSO优化的BDGRU-BP（MAPE=3.17%）和WOA优化的BDGRU-BP（MAPE=3.36%），证明了其良好的泛化能力。

讨论与结论

本研究通过融合改进优化算法与深度学习架构，成功解决了小样本碳排放预测的共性难题。TSPLO-BDGRU-BP模型不仅具备较高的预测精度，其内含的特征分析和因果发现机制更为碳排放驱动因素解析提供了科学依据。研究发现北京市碳排放呈现明显的空间聚集性，且第三产业发展和政府财政支出对碳排放调控具有直接因果效应，这为差异化碳减排政策制定提供了靶向指导。

从技术演进视角看，该研究突破了传统机器学习模型对大数据集的依赖，通过算法创新实现了小样本场景下的高精度预测。TSPLO算法中的混沌映射和序列初始化策略为元启发式优化算法提供了新思路，而BDGRU-BP模型中的批归一化和Dropout机制有效缓解了过拟合问题，这类技术组合对类似小样本时间序列预测任务具有普适参考价值。

研究的实践意义在于：一方面为城市级碳排放精准预测提供了可靠工具，助力碳中和路径动态优化；另一方面通过因果分析揭示了碳排放的关键驱动因素，使决策者能够优先调控具有直接因果效应的变量，提升减排政策效率。未来研究可进一步探索多源数据融合、不确定性量化等方向，推动碳排放预测模型向更精细化、智能化方向发展。