摘要
空间和部门层面分解的天然气需求预测对于基础设施规划和脱碳至关重要，然而消费及其驱动因素的记录通常仅涵盖数年，这对于传统时间序列方法而言不足，并可能在复杂机器学习模型中导致过拟合。跨地区汇总观测值可以提供这些模型所需的样本量以及需求和驱动因素的变化。我们在土耳其81个省份的住宅天然气需求上测试了这一方法，比较了随机森林、CatBoost、支持向量回归以及带固定效应的线性回归，对2050年在五个共享社会经济路径（SSPs）下的预测进行了对比。在交叉验证中，机器学习模型将线性回归的相对误差大约减半，但基于树的模型基本保持在历史消费范围内，使最高消费省份的预测趋于平缓。模型选择对2050年预测的影响大于社会经济路径。在SSP2下，四个模型的预测范围跨度为74太瓦时，而对于任一模型，仅人口和GDP轨迹不同的五个情景，其跨度仅为4–17太瓦时。过去的消费是机器学习模型中最强的预测因子。在其他驱动因素中，人口和家庭构成的重要性超过了度日数等气候变量。土耳其的住宅天然气总需求从2025年的209太瓦时近乎翻倍，到2050年达到412太瓦时，模型和情景的范围为358至463太瓦时。在无新政策基线情景下，直接排放到2050年达到67–80百万吨二氧化碳当量，且尚未达峰，这对土耳其2053年全经济范围净零目标构成挑战。
