编辑推荐：
摘要：准确的碳排放预测对于区域低碳转型以及中国“双碳”目标的实现至关重要。然而，碳排放系统呈现显著的复杂非线性关系与时间依赖特征，传统统计方法与常规神经网络难以充分刻画其动态演化过程。为应对这一挑战，本文提出一种融合时间树突神经模型（Temporal Dend
摘要：准确的碳排放预测对于区域低碳转型以及中国“双碳”目标的实现至关重要。然而，碳排放系统呈现显著的复杂非线性关系与时间依赖特征，传统统计方法与常规神经网络难以充分刻画其动态演化过程。为应对这一挑战，本文提出一种融合时间树突神经模型（Temporal Dendritic Neural Model, TDNM）与树突自适应学习（Dendritic Adaptive Learning, DAL）算法的多变量碳排放预测方法。基于中国54个地级市1999年至2023年的面板数据，系统构建了由经济、社会与能源三个维度共13项指标组成的碳排放驱动因子体系。实证结果表明，相较于若干传统机器学习模型与深度学习基线模型，所提模型在预测性能上具有竞争力，并表现出更好的稳定性。此外，以苏州市碳排放预测结果为起点，进一步开展了详细的情景分析，以阐明不同发展路径下未来碳排放的演化趋势，为工业城市碳排放演化分析与低碳发展路径研究提供了方法参考。
本文围绕工业城市碳排放的长期预测与低碳转型路径识别展开研究。全球气候变化持续加剧，碳排放已成为影响可持续发展的关键因素；在中国推进2030年前碳达峰、2060年前碳中和的背景下，如何在复杂多变量、强非线性和显著时间依赖条件下实现可靠预测，具有重要现实意义。传统计量模型、灰色模型和系统动力学模型在低维、小样本场景中具有一定适用性，但面对高维、多变量与复杂耦合关系时，往往难以有效刻画碳排放系统的动态演化。现有神经网络方法虽可提升拟合能力，但多数仍依赖传统网络结构，对单个神经元内部的非线性信息整合机制关注不足。基于树突结构启发的树突神经模型（DNM）能够通过树突分支实现局部非线性组合，但其在复杂多变量时序建模方面仍存在不足，且训练过程易出现梯度不平衡、收敛慢和局部最优等问题。
针对上述问题，研究人员提出时间树突神经模型（TDNM）与树突自适应学习算法（DAL）。TDNM在传统树突结构中引入滑动时间窗与隐状态递归更新机制，使模型同时具备局部非线性特征学习能力和长期时间依赖建模能力；DAL则从树突分支层面进行结构感知优化，通过梯度感知、自适应学习率调节与时间协同优化缓解训练不稳定问题。研究基于中国东部沿海四省54个地级市1999—2023年的面板数据，构建经济、社会、能源三维度的13指标驱动体系，并采用IPCC排放因子法核算碳排放。经主成分分析（PCA）降维、标准化与滑动窗口样本构造后，模型在统一超参数条件下与多种机器学习及深度学习基线进行比较。结果显示，TDNM-DAL在多项指标上取得较优表现，且稳定性更强；消融实验进一步证明时间结构与DAL机制均具有关键作用。最后，基于苏州的情景预测表明，不同发展路径下碳排放具有明显阶段性、路径依赖与长期累积效应。该研究的重要意义在于，为工业城市碳排放预测、低碳转型评估及“双碳”政策路径分析提供了新的时序建模框架与实证参考。
