基于多策略优化混合神经网络框架的美国总二氧化碳排放量预测研究

《Scientific Reports》：A hybrid artificial neural network approach to forecasting CO? emissions in the United States under policy uncertainty and energy consumption

　　

摘要

本研究采用先进的混合人工神经网络框架，利用1986年1月至2025年12月的月度数据，对美国总二氧化碳排放量进行预测。研究以天然气消费量、经济政策不确定性、货币政策不确定性、石油价格和可再生能源消费量作为排放动态的预测变量。本研究将传统多层感知机与分别采用海鞘群优化、飞蛾扑火优化、算术优化算法、正弦余弦算法以及基于高斯变异镜面反射学习和局部逃逸算子的人工电场算法优化的混合MLP模型进行比较。研究还通过整合核正则化扩展了现有的MLP-GRLEO-AEFA框架，从而开发了MLP-KR-GRLEO-AEFA模型。模型性能采用独立的训练和测试样本进行评估，并通过NNSE、R2、MSE、RMSE、MSLE和MAE进行度量。稳健性进一步通过基准函数、收敛分析、Friedman排序、Wilcoxon检验、残差诊断、观测值与预测值对比图以及置换特征重要性进行考察。结果表明，传统MLP实现了最强的训练性能，MLP-SCA记录了最佳的样本外测试性能，而MLP-KR-GRLEO-AEFA则提供了最强的总体全样本性能。置换特征重要性还识别出了对美国二氧化碳排放预测贡献最大的预测变量。基于这些发现，本研究提供了一个可靠的框架，用于预测美国二氧化碳排放量并支持气候与能源政策决策。