基于PSO-LSTM網(wǎng)絡(luò)模型的建筑碳排放峰值預(yù)測(cè)

唐曉靈，劉嘉敏

（西安建筑科技大學(xué)管理學(xué)院，陜西西安 710055）

我國(guó)碳達(dá)峰碳中和工作進(jìn)入了關(guān)鍵期，2021年4月，習(xí)近平總書記在領(lǐng)導(dǎo)人氣候峰會(huì)上講到：“支持有條件的地方和重點(diǎn)行業(yè)、重點(diǎn)企業(yè)率先達(dá)峰”[1]。而建筑作為能源消耗和二氧化碳排放的三大領(lǐng)域之一，其所產(chǎn)生的二氧化碳排放在我國(guó)碳排放總量的占比中達(dá)到了35%～50%[2]?？梢?jiàn)，建筑碳排放的有效控制是實(shí)現(xiàn)“雙碳”目標(biāo)的重要組成部分，對(duì)建筑領(lǐng)域碳排放峰值進(jìn)行預(yù)測(cè)是推動(dòng)生態(tài)目標(biāo)實(shí)現(xiàn)的有效路徑。

對(duì)建筑碳排放的測(cè)算范圍，學(xué)界已有文獻(xiàn)并無(wú)統(tǒng)一的研究邊界。大體上可以分為微觀和宏觀兩大類。其中微觀研究以建筑產(chǎn)品全壽命周期碳排放測(cè)算為主要內(nèi)容，考慮了建筑產(chǎn)品從無(wú)到有再到無(wú)的全過(guò)程碳排放[3]，胡姍等[4]對(duì)我國(guó)建筑領(lǐng)域碳排放的核算及王幼松等[5]對(duì)某辦公樓碳排放的核算均得出建材生產(chǎn)和建筑運(yùn)行兩階段的碳排放量最大；馮博等[6]、劉菁等[7]基于宏觀視角的研究則主要以建筑業(yè)或包含生產(chǎn)、建造、運(yùn)行及拆除等全產(chǎn)業(yè)鏈的碳排放為測(cè)算對(duì)象。在微觀和宏觀兩個(gè)不同視角的研究中，運(yùn)行階段的碳排放的占比都在50%左右，因此袁閃閃等[8]、鞠穎等[9]、劉菁等[10]眾多學(xué)者的研究都圍繞建筑領(lǐng)域運(yùn)行階段的碳排放展開。

對(duì)碳排放預(yù)測(cè)，學(xué)界也已有相當(dāng)多的方法。渠慎寧等[11]、Wang等[12]、Wu 等[13]和劉菁等[10]分別采用STIRPAT模型、灰色預(yù)測(cè)模型、LEAP模型和系統(tǒng)動(dòng)力學(xué)模型對(duì)碳排放量進(jìn)行了預(yù)測(cè)，而后隨人工智能的不斷發(fā)展，越來(lái)越多的學(xué)者將機(jī)器學(xué)習(xí)方法運(yùn)用到了能源和碳排放量的預(yù)測(cè)領(lǐng)域中，Sun等[14]采用LSSVM（最小二乘支持向量機(jī)）對(duì)工業(yè)和居民的CO2排放量進(jìn)行了預(yù)測(cè)，Agbulut[15]則用3種機(jī)器學(xué)習(xí)方法：ANN、SVM、DL對(duì)土耳其交通領(lǐng)域的能耗和CO2進(jìn)行了預(yù)測(cè)，研究結(jié)果均表明機(jī)器學(xué)習(xí)在碳排放預(yù)測(cè)領(lǐng)域表現(xiàn)出了更好的準(zhǔn)確性和有效性。在近期的研究中，Huang等[16]使用長(zhǎng)短期記憶模型（LSTM）對(duì)中國(guó)碳排放量進(jìn)行了預(yù)測(cè)，胡劍波等[17]基于LSTM模型和ARIMA-BP模型對(duì)我國(guó)碳排放強(qiáng)度進(jìn)行了預(yù)測(cè)，通過(guò)模型精度的檢驗(yàn)說(shuō)明了深度學(xué)習(xí)網(wǎng)絡(luò)可應(yīng)用于碳排放量的預(yù)測(cè)且其預(yù)測(cè)效果更好。為解決參數(shù)無(wú)法確定的問(wèn)題，一些優(yōu)化算法被應(yīng)用，段福梅[18]采用粒子群優(yōu)化算法（PSO）對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，王珂珂等[19]采用鯨魚優(yōu)化算法（WOA）優(yōu)化極限學(xué)習(xí)機(jī)（ELM）中的網(wǎng)絡(luò)輸入權(quán)值和隱含層閾值，孫靜怡[20]則采用的是布谷鳥搜索算法（GCS），結(jié)果表明通過(guò)優(yōu)化算法優(yōu)化的網(wǎng)絡(luò)模型在模擬和預(yù)測(cè)的精度上都有了很大的提升。

綜上，本文首先通過(guò)對(duì)建筑領(lǐng)域碳排放的測(cè)算進(jìn)行較為全面的分析，確定本研究建筑領(lǐng)域碳排放的測(cè)算范圍，并依據(jù)現(xiàn)有數(shù)據(jù)可得性及質(zhì)量要求，確定基本測(cè)算方法。其次，通過(guò)多種優(yōu)化算法的比對(duì)，選用粒子群算法（PSO）優(yōu)化后的長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)我國(guó)建筑領(lǐng)域運(yùn)行碳排放進(jìn)行預(yù)測(cè)。最后，結(jié)合情景分析法設(shè)置碳排放影響因素的變化量，預(yù)測(cè)基準(zhǔn)、低碳及高碳3種情景下2020—2050年之間我國(guó)建筑領(lǐng)域運(yùn)行階段的碳排放量。

1 建筑碳排放核算

建筑行業(yè)具有能耗大、碳排放量多、投資收益高的特點(diǎn)，具有巨大的碳減排潛力[21]。對(duì)建筑全生命周期碳排放的研究中，運(yùn)行使用階段的碳排放量最大，達(dá)到60%～80%[10]，并且該階段的碳排放量和建筑能耗的關(guān)系密切，因此本文將建筑領(lǐng)域運(yùn)行階段產(chǎn)生的CO2作為研究對(duì)象，文中提及的建筑碳排放也指建筑領(lǐng)域運(yùn)行階段的碳排放量。然而建筑碳排放的核算是一大重難點(diǎn)問(wèn)題，當(dāng)前國(guó)內(nèi)外認(rèn)可度較高的3種核算方法為：排放因子法、質(zhì)量平衡法和實(shí)測(cè)法3種[22]。對(duì)建筑領(lǐng)域運(yùn)行階段的研究大都是立足于國(guó)家宏觀層面的碳排放總量的趨勢(shì)分析，而排放因子法具有數(shù)據(jù)易于獲得、實(shí)用性和適用性高的優(yōu)點(diǎn)，廣泛地應(yīng)用于碳排放量核算的宏觀研究領(lǐng)域中，因此本文選用該方法進(jìn)行計(jì)算，其核算原理為“碳排放量=活動(dòng)數(shù)據(jù)×排放因子”。本文針對(duì)城鎮(zhèn)住宅建筑、城鎮(zhèn)公共建筑、農(nóng)村住宅建筑等不同碳排放源，由國(guó)家統(tǒng)計(jì)數(shù)據(jù)獲取其能源消耗的活動(dòng)水平數(shù)據(jù)，根據(jù)相關(guān)碳排放因子，將不同活動(dòng)的能源消耗數(shù)據(jù)與其所對(duì)應(yīng)的碳排放因子進(jìn)行相乘并累加即得到建筑碳排放的估算值。具體計(jì)算公式如下：

式中CE為建筑碳排放總量，Ei為第i種能源的消耗量，EFi為第i種能源的碳排放因子。

本文以1990—2019年的碳排放歷史數(shù)據(jù)為研究基準(zhǔn)，分類能源消耗量由《中國(guó)能源統(tǒng)計(jì)年鑒》中摘錄所得，根據(jù)能源平衡表中的各分項(xiàng)按部門進(jìn)行取舍。將生活消費(fèi)，分城鎮(zhèn)和鄉(xiāng)村分項(xiàng)作為住宅建筑能源消耗數(shù)據(jù)；將批發(fā)、零售業(yè)和住宿餐飲業(yè)分項(xiàng)、其他分項(xiàng)作為公共建筑能源消耗數(shù)據(jù)，選取原煤、洗精煤、汽油、柴油等12種能源進(jìn)行統(tǒng)計(jì)核算，并按照相關(guān)系數(shù)對(duì)交通能耗進(jìn)行扣除折算。核算時(shí)所用的不同能源碳排放因子由IPCC（聯(lián)合國(guó)政府間氣候變化專門委員會(huì)）及國(guó)家發(fā)展和改革委員會(huì)公布的相關(guān)系數(shù)確定。我國(guó)1990—2019年的建筑碳排放量的核算結(jié)果如表1、圖1所示。

表1 1990—2019年我國(guó)的建筑碳排放量

表1（續(xù)）

圖1 我國(guó)建筑碳排放量及人均建筑碳排放量

結(jié)果顯示1990—2019年間我國(guó)建筑碳排放總量整體上呈現(xiàn)上升趨勢(shì)，從1990年的44 659.09 萬(wàn)噸增長(zhǎng)至2019年的204 994.54 萬(wàn)噸，年均增長(zhǎng)率達(dá)5.21%；同樣地，整體上我國(guó)人均建筑碳排放量也呈現(xiàn)出了逐年上漲趨勢(shì)。碳排放總量和人均排放量的逐年增加，說(shuō)明建筑領(lǐng)域具有極高的低碳減排潛力，是我國(guó)實(shí)現(xiàn)“雙碳”目標(biāo)的重要抓手。因此對(duì)建筑碳排放進(jìn)行核算和峰值預(yù)測(cè)對(duì)建筑領(lǐng)域的碳減排工作和我國(guó)“雙碳”目標(biāo)的實(shí)現(xiàn)具有重要意義。

2 粒子群算法優(yōu)化LSTM網(wǎng)絡(luò)

2.1 LSTM網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò) (long short term memory networks,LSTM)是Hochreiter等[23]提出的對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的變體，其具有記憶長(zhǎng)短期信息的能力。該模型克服了機(jī)器學(xué)習(xí)中梯度消失和梯度爆炸的問(wèn)題，對(duì)于時(shí)間序列數(shù)據(jù)有良好的處理能力。LSTM的單元結(jié)構(gòu)如圖2所示。

圖2 LSTM網(wǎng)絡(luò)的循環(huán)單元結(jié)構(gòu)

LSTM模型中，每個(gè)神經(jīng)元中都含有3個(gè)基本的單元門，這3個(gè)門單元是一種機(jī)制，通過(guò)乘法操作來(lái)確定每個(gè)單獨(dú)的存儲(chǔ)單元的狀態(tài)。根據(jù)功能不同，門單元分為輸入門it、輸出門Ot和遺忘門ft，LSTM網(wǎng)絡(luò)預(yù)測(cè)的具體過(guò)程如下：

首先計(jì)算遺忘門，遺忘門能控制上一個(gè)時(shí)刻的內(nèi)部狀態(tài)需要遺忘多少信息，且通過(guò)該門讀取ht-1和Xt，ht-1表示上一時(shí)刻隱含層的輸出，Xt表示當(dāng)前細(xì)胞的輸入。當(dāng)完成后輸出的結(jié)果被讀取后，會(huì)得到一個(gè)0～1的數(shù)值作為輸出結(jié)果，并以此對(duì)每個(gè)在細(xì)胞狀態(tài)的Ct-1進(jìn)行賦值。0表示關(guān)閉狀態(tài)，任何信息不得通過(guò)，1表示開放狀態(tài)，信息全數(shù)保留。遺忘門算法如式2

式（2）中，ft為遺忘門的輸出值、σ是Sigmoid函數(shù)、Wf為遺忘門的權(quán)重矩陣、bf為遺忘門的偏置項(xiàng)。

其次是計(jì)算輸入門，它控制著當(dāng)前時(shí)刻有多少信息需要儲(chǔ)存。其包含兩部分的內(nèi)容，首先Sigmoid層會(huì)決定哪些信息需要更新；隨后tanh層會(huì)生成一個(gè)新的候選值向量，即備選的用來(lái)更新的內(nèi)容。這兩部分結(jié)合就能對(duì)cell的狀態(tài)進(jìn)行更新。輸入門算法如式3、式4

輸入門會(huì)不斷刷新細(xì)胞狀態(tài)，將Ct-1更新為Ct，舊狀態(tài)Ct-1與ft相乘表示需要丟棄的信息，將其與相加就能得到新的候選值，如下：

最后計(jì)算輸出門，其能基于過(guò)濾后的細(xì)胞狀態(tài)進(jìn)行輸出。首先會(huì)根據(jù)Sigmoid函數(shù)確定輸出的初始值，其次利用tanh函數(shù)計(jì)算細(xì)胞狀態(tài)中即將輸出的值，最后把這兩個(gè)結(jié)果相乘得到最終的輸出值。輸出門算法如下：

式（7）tanh為雙曲正切激活函數(shù)。

2.2 粒子群算法原理

粒子群優(yōu)化算法（particle swarm optimization，PSO）最早是由Kennedy等[24]提出的，是一種用于全局搜索最優(yōu)值的改進(jìn)算法。該算法起源于對(duì)鳥種群覓食行為中遷徙和聚集的模擬，如果一群鳥在隨機(jī)覓食，而該區(qū)域只有一種食物，那么最高效的覓食策略是在離當(dāng)前獵物最近的鳥周圍搜索。PSO算法以該模型為基礎(chǔ)[25]，被廣泛用于解決各種優(yōu)化問(wèn)題。在對(duì)優(yōu)化問(wèn)題求解時(shí)，問(wèn)題的潛在解對(duì)應(yīng)于搜索空間中某一只鳥的具體位置，通常將這些“鳥”稱為粒子（particle）或主體（agent）。每個(gè)粒子在空間中不斷飛行，擁有自己的速度和位置，在搜尋最佳位置的過(guò)程中，首先會(huì)隨機(jī)產(chǎn)生一組解，而空間中的粒子會(huì)記憶、追隨當(dāng)前的最優(yōu)粒子，隨即重復(fù)上述過(guò)程不斷迭代，在解空間中搜尋。然而每次迭代的過(guò)程并不是完全隨機(jī)的，PSO具有強(qiáng)大的學(xué)習(xí)功能，會(huì)以上一次找到的較好解為依據(jù)，去尋找下一個(gè)更優(yōu)解。

假設(shè)在多維搜索空間中，群體中有m個(gè)粒子，在第t次迭代中，第i個(gè)粒子的位置和速度分別為Xi,t和Vi,t，粒子通過(guò)監(jiān)督兩個(gè)極值來(lái)更新自己：第一個(gè)是粒子本身所找到的最好解，叫做個(gè)體極值點(diǎn)(用pbest表示)，另一個(gè)就是目前群體所找到的最優(yōu)解，稱為全局極值點(diǎn)（用gbest表示）。粒子速度與位置更新方程為：

式（8）（9）中：w是慣性系數(shù)，取值通常在0.1到0.9之間；C1與C2是學(xué)習(xí)因子，調(diào)節(jié)向全局最好粒子和個(gè)體最好粒子方向飛行的最大步長(zhǎng)，通常令C1=C2=2；rand是[0,1]之間的隨機(jī)數(shù)，λ為速度系數(shù)，為=1。

2.3 粒子群算法優(yōu)化LSTM

雖然LSTM模型在時(shí)間序列數(shù)據(jù)的處理上具有顯著優(yōu)勢(shì)，但其參數(shù)往往難以確定，不同參數(shù)的選取對(duì)預(yù)測(cè)結(jié)果存在很大的影響。由于PSO算法具有良好的全局尋優(yōu)能力和收斂速度，于是引入粒子群算法來(lái)對(duì)LSTM網(wǎng)絡(luò)進(jìn)行優(yōu)化，改進(jìn)了LSTM模型初始連接權(quán)重和參數(shù)獲取不夠準(zhǔn)確的問(wèn)題，增強(qiáng)了參數(shù)選擇的客觀性，能對(duì)碳排放數(shù)據(jù)做出更加精準(zhǔn)的預(yù)測(cè)。據(jù)此本文提出了一種組合模型PSO-LSTM對(duì)建筑碳排放量進(jìn)行預(yù)測(cè)，思路如下：

（1）首先對(duì)建筑碳排放的影響因素進(jìn)行分析，并利用Pearson相關(guān)性分析考察各個(gè)影響因素與建筑碳排放的相關(guān)性，隨即得到碳排放預(yù)測(cè)模型的輸入層數(shù)據(jù)。

（2）針對(duì)LSTM網(wǎng)絡(luò)參數(shù)難以確定的缺陷，提出用PSO算法優(yōu)化的LSTM網(wǎng)絡(luò)，對(duì)LSTM網(wǎng)絡(luò)的參數(shù)進(jìn)行尋優(yōu)，提高模型預(yù)測(cè)的可靠性和精確度。

（3）采用相關(guān)的誤差指標(biāo)及1990—2019年共計(jì)30年的數(shù)據(jù)，并劃定訓(xùn)練集和測(cè)試集對(duì)PSOLSTM模型進(jìn)行精度檢驗(yàn)，同時(shí)和傳統(tǒng)LSTM模型進(jìn)行對(duì)比。

（4）將影響因素設(shè)定低碳、基準(zhǔn)和高碳3種情景，根據(jù)訓(xùn)練好的模型作為預(yù)測(cè)的輸入數(shù)據(jù)，對(duì)我國(guó)未來(lái)建筑碳排放量進(jìn)行外推預(yù)測(cè)，考察不同情景下的達(dá)峰時(shí)間，并由此給出相應(yīng)的建議。

具體預(yù)測(cè)的流程如圖3所示。

圖3 PSO-LSTM模型預(yù)測(cè)流程

3 PSO-LSTM預(yù)測(cè)建筑碳排放的實(shí)證研究

3.1 建筑運(yùn)行碳排放影響因素選取

由于本文研究的對(duì)象是建筑領(lǐng)域的碳排放而非總量碳排放，在各類影響因素中人口、經(jīng)濟(jì)和空間這3類會(huì)呈現(xiàn)出更強(qiáng)的相關(guān)性[26]。因此選取這3類影響因素，共計(jì)6個(gè)影響因素，即人口總量和城鎮(zhèn)化率[22]，地區(qū)生產(chǎn)總值（GDP）、技術(shù)水平和產(chǎn)業(yè)結(jié)構(gòu)[10]，城鎮(zhèn)建筑面積[27]。對(duì)應(yīng)建筑能耗，建筑碳排放指的是建筑中用于采暖、照明、制冷等工具產(chǎn)生的CO2排放，而這些行為的執(zhí)行者都是人，人口的增加必然會(huì)帶來(lái)各種能源需求總量的增加，從而帶來(lái)CO2排放量的增加；同樣地，城鎮(zhèn)化會(huì)使得大量人口向城鎮(zhèn)聚集，城鎮(zhèn)地區(qū)有著更豐富的能源需求，因而也會(huì)產(chǎn)生更多的CO2排放；產(chǎn)業(yè)結(jié)構(gòu)和技術(shù)水平從側(cè)面反映了我國(guó)的經(jīng)濟(jì)水平，這兩個(gè)因素和我國(guó)GDP水平會(huì)影響我國(guó)城鎮(zhèn)居民的能源消費(fèi)習(xí)慣，而能源消費(fèi)的多少?zèng)Q定了CO2的排放量；此外，建成區(qū)面積是能反映建筑規(guī)模的指標(biāo)，其在一定程度上決定了因建筑運(yùn)行產(chǎn)生的CO2總量。因此選取這6個(gè)因素作為影響建筑運(yùn)行碳排放的影響因素。

對(duì)上述6個(gè)影響因素的水平進(jìn)行測(cè)度時(shí)，用年末常住人口衡量人口總量；用人口城鎮(zhèn)化率作為城鎮(zhèn)化率；為規(guī)避價(jià)格的影響，GDP的衡量采用1990年的不變價(jià)考慮各個(gè)年份的實(shí)際GDP；研究與試驗(yàn)發(fā)展經(jīng)費(fèi)（R&D）是我國(guó)科技經(jīng)費(fèi)的重要來(lái)源，因此采用其投入強(qiáng)度衡量技術(shù)水平；產(chǎn)業(yè)結(jié)構(gòu)的衡量采用第三產(chǎn)業(yè)的增加值占GDP考慮；建筑面積則采用建成區(qū)面積衡量。上述的詳細(xì)數(shù)據(jù)主要來(lái)源于各年的《中國(guó)統(tǒng)計(jì)年鑒》，各變量描述性統(tǒng)計(jì)結(jié)果如表2所示。

表2 變量描述性統(tǒng)計(jì)

在將這些因素作為輸入?yún)?shù)輸入粒子群算法改進(jìn)的LSTM模型時(shí)，對(duì)各因素進(jìn)行了相關(guān)性分析。利用了Pearson相關(guān)性分析，計(jì)算出了相關(guān)性系數(shù)，分析結(jié)果如表3所示。結(jié)果表明這6個(gè)因素的Pearson相關(guān)度都很好，除了人口總量，均大于0.9，且在P＜0.01的水平下顯著?？梢?jiàn)，這6個(gè)因素與建筑碳排放有著極高的相關(guān)度，因此將這個(gè)6個(gè)因素作為模型的輸入層。

表3 影響因素相關(guān)性分析

3.2 模型的擬合及有效性檢驗(yàn)

選取我國(guó)1990—2014年共25年的建筑運(yùn)行碳排放數(shù)據(jù)作為訓(xùn)練樣本，2015—2019年共5年的數(shù)據(jù)作為測(cè)試樣本。算法實(shí)驗(yàn)在 Matlab R2021環(huán)境下進(jìn)行，通過(guò)1990年到2014年的25組數(shù)據(jù)擬合來(lái)預(yù)測(cè)2015年到2019年的建筑碳排放量。由第4小節(jié)可知，影響因素與碳排放量之間存在顯著的相關(guān)性關(guān)系，因此模型將選取的6個(gè)主要建筑碳排放影響因素作為PSO-LSTM模型的輸入?yún)?shù)。為避免輸入數(shù)據(jù)數(shù)量級(jí)差別較大而產(chǎn)生較大誤差，實(shí)驗(yàn)中的所有時(shí)間序列數(shù)據(jù)均需要進(jìn)行歸一化處理，按照式（10）進(jìn)行：為歸一化后的值；X為原始值；Xmax和Xmin分別代表各個(gè)影響因素序列原始數(shù)據(jù)的最大值和最小值。

在回歸預(yù)測(cè)領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)在實(shí)踐中得到了多次使用，但作為單一的神經(jīng)網(wǎng)絡(luò)，由于缺少反饋結(jié)構(gòu)其并沒(méi)有考慮歷史數(shù)據(jù)樣本的記憶信息；而RNN網(wǎng)絡(luò)在此基礎(chǔ)上進(jìn)行改進(jìn)，突破了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)忽略時(shí)間信息的問(wèn)題，但依然存在梯度膨脹、梯度爆炸及梯度消失導(dǎo)致的訓(xùn)練困難的問(wèn)題；LSTM模型又在此基礎(chǔ)上進(jìn)行了改進(jìn)。因此，在模型的精度的比較中將BP神經(jīng)網(wǎng)絡(luò)和LSTM模型作為對(duì)照組。PSO-LSTM模型中采用PSO算法對(duì)隱含層節(jié)點(diǎn)、訓(xùn)練次數(shù)和學(xué)習(xí)率尋優(yōu)。

將4種算法分別依次運(yùn)行50次，對(duì)所得的預(yù)測(cè)結(jié)果求均值，分別得到訓(xùn)練集1990—2014年和測(cè)試集2015—2019年的建筑碳排放量，預(yù)測(cè)結(jié)果如圖4所示。

圖4 樣本歷史數(shù)據(jù)預(yù)測(cè)結(jié)果

為對(duì)模型預(yù)測(cè)效果作出直觀評(píng)價(jià)，本文選取了4種誤差指標(biāo)：MAE(平均絕對(duì)誤差)、RMSE(均方根誤差)、MAPE(平均絕對(duì)百分比誤差)以及確定系數(shù)R2。研究對(duì)象的數(shù)量等級(jí)會(huì)對(duì)MAE和RMSE的絕對(duì)數(shù)值產(chǎn)生影響，而MAPE作為百分比誤差規(guī)避了這種差異。Pao等[28]根據(jù)MAPE的大小把預(yù)測(cè)效果分為：高精度預(yù)測(cè)（MAPE＜10%)、良好預(yù)測(cè)(10%≤MAPE＜20%）、合理預(yù)測(cè)（20%≤MAPE＜50%）和不準(zhǔn)確預(yù)測(cè)（MAPE≥50%）4類。誤差指標(biāo)的計(jì)算方法如下：

式（11）至式（14）中：Xi是建筑碳排放量的真實(shí)值，是所得的預(yù)測(cè)值，是碳排放實(shí)際值的平均值，n為樣本集的個(gè)數(shù)。MAE、RMSE、MAPE均是越小越好的指標(biāo)，R2越接近1證明模型擬合效果越好。各模型誤差結(jié)果如表4及圖5所示。

表4 誤差指標(biāo)計(jì)算結(jié)果

表4（續(xù)）

圖5 不同模型各誤差指標(biāo)計(jì)算結(jié)果

通過(guò)對(duì)3種模型對(duì)歷史數(shù)據(jù)的預(yù)測(cè)效果和模型誤差指標(biāo)的對(duì)比，可以看出經(jīng)過(guò)粒子群算法優(yōu)化后的LSTM模型的預(yù)測(cè)能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和原始的LSTM模型，其對(duì)于歷史數(shù)據(jù)呈現(xiàn)出了更好的擬合預(yù)測(cè)效果；同樣地，從誤差指標(biāo)分析，PSO-LSTM各項(xiàng)指標(biāo)都更優(yōu)。PSO-LSTM模型的R2為0.932 8，而MAPE僅為3.96%，均是3種模型中最佳的，可見(jiàn)其精確度更高。這也說(shuō)明粒子群算法可以提升LSTM的預(yù)測(cè)效果，改進(jìn)后的LSTM模型能夠更好地捕捉數(shù)據(jù)變化的長(zhǎng)期趨勢(shì)，進(jìn)而能夠進(jìn)行更加精準(zhǔn)的預(yù)測(cè)，因此以下選用PSO-LSTM模型對(duì)建筑碳排放的峰值進(jìn)行預(yù)測(cè)。

3.3 多情景預(yù)測(cè)

3.3.1 建筑碳排放影響因素模擬

將以上確定的人口總量、城鎮(zhèn)化率等6個(gè)影響因素作為研究對(duì)象，參考大量的公報(bào)及政策文件設(shè)定高、中、低3種排放情況，分別對(duì)應(yīng)碳排放高碳模式、基準(zhǔn)模式及低碳模式。情景分析的預(yù)測(cè)年限為2020—2050年，合計(jì)31年，由于預(yù)測(cè)年限較長(zhǎng)，為保證預(yù)測(cè)結(jié)果的合理性與科學(xué)性，各個(gè)影響因素將分別設(shè)置3個(gè)預(yù)測(cè)頻段：

（1）人口。從1990—2020年間的歷史數(shù)據(jù)來(lái)看，我國(guó)人口增速呈現(xiàn)大幅放緩趨勢(shì)，即便是在2016年開放二孩政策實(shí)施以來(lái)，五年間的年均增速也只有0.28%，而我國(guó)每年的出生人口從2017年至今連續(xù)四年下降。2021年5月31日，我國(guó)三孩生育政策開始實(shí)施，該政策將會(huì)在一定程度上對(duì)我國(guó)人口的增長(zhǎng)起到一定的刺激。但參考“全面二孩”政策帶來(lái)的生育勢(shì)能經(jīng)驗(yàn)，推測(cè)3年～5年內(nèi)該政策帶來(lái)的生育勢(shì)能釋放完畢。根據(jù)中國(guó)人口與發(fā)展研究中心預(yù)測(cè)，中國(guó)人口數(shù)量在2027年將達(dá)到峰值14.17億人，此后將進(jìn)入持續(xù)的負(fù)增長(zhǎng)狀態(tài)，2035年降至14.03 億人、2050 年降至 13.21 億人。

（2）GDP。2020年受到新冠肺炎疫情的嚴(yán)重沖擊，我國(guó)GDP增速降至2.3%，同比增速下降4%。而2021年以來(lái)，經(jīng)濟(jì)逐步恢復(fù)，市場(chǎng)相關(guān)機(jī)構(gòu)對(duì)我國(guó)的GDP增速的預(yù)測(cè)均在8%左右。我國(guó)“十四五”規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)建議中也明確提出了2035年實(shí)現(xiàn)經(jīng)濟(jì)總量或人均收入翻一番的目標(biāo)。據(jù)此，方琦等[29]對(duì)我國(guó)GDP增速做出了2022年增速回落6%，2023—2035年勻速下降的預(yù)測(cè)。而根據(jù)清華大學(xué)國(guó)情研究院課題組的預(yù)測(cè)，我國(guó)GDP在2031—2035年間的增速為2.84%～5.59%，在2036—2050年間的增速為3.2%～3.95%[30]。

（3）城鎮(zhèn)化率。2020年我國(guó)人口城鎮(zhèn)化率達(dá)到63.89%，而世界上發(fā)達(dá)國(guó)家城鎮(zhèn)化率均超過(guò)80%，并趨于穩(wěn)定。“十四五”期間我國(guó)城鎮(zhèn)化率預(yù)計(jì)年均提高1.03%，較“十三五”時(shí)期有所下降。根據(jù)中國(guó)社科院人口與勞動(dòng)經(jīng)濟(jì)研究所發(fā)布的《人口與勞動(dòng)綠皮書》，我國(guó)城鎮(zhèn)化發(fā)展的增速將在“十四五”期間出現(xiàn)開始放緩的拐點(diǎn)，在2035年后呈現(xiàn)相對(duì)穩(wěn)定的態(tài)勢(shì)，而峰值將大概率出現(xiàn)在75%～80%。

（4）第三產(chǎn)業(yè)增加值。根據(jù)發(fā)達(dá)國(guó)家經(jīng)驗(yàn)，當(dāng)進(jìn)入發(fā)達(dá)服務(wù)經(jīng)濟(jì)社會(huì)時(shí)，第三產(chǎn)業(yè)增加值比重將超過(guò)70%[31]，胡鞍鋼等[32]預(yù)測(cè)其比重在2035年時(shí)將達(dá)到65.6%左右，到2050年將進(jìn)一步上升至70.5%左右。

（5）技術(shù)水平。從總量來(lái)看，1990年我國(guó)的R&D經(jīng)費(fèi)投入僅75.49 億元，而2020年則躍升至24 383.67 億元，2013年后我國(guó)R&D經(jīng)費(fèi)投入水平一直位于世界第二；從投入強(qiáng)度上看，1990年僅為0.4%，2002年首次突破1%，2014年首次突破2%，到2018年提升至2.14%，超過(guò)歐盟15國(guó)的平均水平。根據(jù)我國(guó)創(chuàng)新驅(qū)動(dòng)第二步的戰(zhàn)略目標(biāo)，2030年我國(guó)要躋身創(chuàng)新型國(guó)家前列，相應(yīng)的R&D經(jīng)費(fèi)投入強(qiáng)度要達(dá)到2.8%。

（6）建筑面積。1990—2020年間我國(guó)城市建成區(qū)面積每年持續(xù)增長(zhǎng)， 2011年前，年均增長(zhǎng)率為5.99%，2012年開始增長(zhǎng)速度有所放緩，年均增長(zhǎng)率降至3.07%。隨著我國(guó)城市化的推進(jìn)，我國(guó)城市規(guī)模會(huì)進(jìn)一步擴(kuò)張，進(jìn)而使得建成區(qū)面積增加。

綜上所述，各參數(shù)情景設(shè)置結(jié)果如表5所示。

表5 2021—2025年各參數(shù)情景設(shè)定

3.3.2 多情景預(yù)測(cè)結(jié)果

在PSO-L STM模型的擬合結(jié)果和有效性檢驗(yàn)結(jié)果良好的前提下對(duì)未來(lái)31年，即2020年到2050年的數(shù)據(jù)進(jìn)行預(yù)測(cè)，考察這段時(shí)間內(nèi)建筑碳排放量情況、峰值及達(dá)峰的年份。依據(jù)以上情景預(yù)測(cè)設(shè)定，利用訓(xùn)練好的PSO-LSTM網(wǎng)絡(luò)分情景逐年對(duì)我國(guó)建筑碳排放量進(jìn)行預(yù)測(cè)，分別得到低碳、基準(zhǔn)和高碳3種情景下我國(guó)2020—2050年的建筑碳排放量，如圖6所示。值得說(shuō)明的是，采用訓(xùn)練好的PSO-LSTM進(jìn)行外推預(yù)測(cè)時(shí)，將上一時(shí)刻得到的預(yù)測(cè)結(jié)果在網(wǎng)絡(luò)中進(jìn)行了更新作為了輸入層數(shù)據(jù)，使得預(yù)測(cè)的誤差產(chǎn)生累計(jì)，因而會(huì)造成模型精度的下降。

圖6 2020—2050年我國(guó)建筑碳排放預(yù)測(cè)結(jié)果

預(yù)測(cè)結(jié)果顯示，我國(guó)未來(lái)建筑碳排放量總體呈現(xiàn)出右部平緩的倒“U”型趨勢(shì)。不同情景下我國(guó)建筑碳排放峰值不同，且達(dá)峰的時(shí)間也有所區(qū)別。高碳情境下建筑碳排放將以更高的速度增加且峰值最大為 253 379.468 8 萬(wàn) t，并且在 2033 年才能達(dá)到峰值；基準(zhǔn)情景是更加符合社會(huì)現(xiàn)實(shí)的發(fā)展?fàn)顟B(tài)，該情境下我國(guó)建筑碳排放將在2032年達(dá)到239 738.109 4 萬(wàn) t的峰值，僅建筑領(lǐng)域自身來(lái)說(shuō)，并不能實(shí)現(xiàn)“ 雙碳”戰(zhàn)略中2030年前達(dá)峰的目標(biāo)；而在低碳情境下我國(guó)建筑碳排放將在2029年達(dá)到峰值，為 226 774.562 5 萬(wàn) t。分別對(duì)比 3 種情景，顯然低碳情景是建筑領(lǐng)域?qū)崿F(xiàn)碳達(dá)峰目標(biāo)的路徑，從峰值結(jié)果看低碳情景分別比基準(zhǔn)和高碳情景的峰值減少了 12 963.546 9 萬(wàn) t、26 604.906 3 萬(wàn) t，而從達(dá)峰時(shí)間則從基準(zhǔn)情景的2032年和高碳情景的2033年提前到了2029年，在2030年前達(dá)到了峰值且在后續(xù)的年份中表現(xiàn)出了較為明顯的碳排放的減少趨勢(shì)。

結(jié)合以上關(guān)于影響因素的相關(guān)性分析可知道本文選取的主要影響因素都會(huì)促進(jìn)建筑碳排放量的增加，但預(yù)測(cè)建筑碳排放量卻出現(xiàn)了峰值，分析其原因是研究期內(nèi)（1990—2019年）相關(guān)因素的規(guī)模效應(yīng)占據(jù)主導(dǎo)地位，如城鎮(zhèn)化的急速發(fā)展帶來(lái)的城鎮(zhèn)擴(kuò)張使得人口大量在城鎮(zhèn)聚集，建筑運(yùn)行階段能源消耗總量大；而技術(shù)進(jìn)步前期各方需要投入大量的能源，使得CO2的排放增大。然而隨著社會(huì)發(fā)展水平質(zhì)量的提高，質(zhì)量效應(yīng)開始逐漸顯現(xiàn)：城鎮(zhèn)化發(fā)展到較高水平時(shí)，其通過(guò)人力資本積累使得城鎮(zhèn)居民能源消費(fèi)習(xí)慣發(fā)生轉(zhuǎn)變，而技術(shù)水平的提高則會(huì)催生出一系列綠色節(jié)能的低碳建筑，這兩種情況都會(huì)使得建筑在運(yùn)行階段產(chǎn)生的碳排放量降低。結(jié)合預(yù)測(cè)結(jié)果不難發(fā)現(xiàn)，建筑領(lǐng)域想要在2030年前實(shí)現(xiàn)碳達(dá)峰的目標(biāo)，還需采取相應(yīng)的低碳措施，促進(jìn)碳減排工作的開展，應(yīng)在經(jīng)濟(jì)社會(huì)保持穩(wěn)定增長(zhǎng)的趨勢(shì)下，通過(guò)推動(dòng)城鎮(zhèn)化的高質(zhì)量發(fā)展以及通過(guò)技術(shù)水平的提高實(shí)現(xiàn)建筑領(lǐng)域的清潔生產(chǎn)和節(jié)能減排，使得建筑碳排放的盡早達(dá)峰，實(shí)現(xiàn)社會(huì)發(fā)展與環(huán)境保護(hù)的雙贏。

4 結(jié)論及建議

（1）主要結(jié)論。針對(duì)我國(guó)建筑碳排放達(dá)峰問(wèn)題，本文根據(jù)文本分析將建筑碳排放的影響因素分為人口、經(jīng)濟(jì)和空間3類，選定了6個(gè)主要影響因素，通過(guò)PSO-LSTM網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，得到了如下研究結(jié)論：1）1990—2019年我國(guó)建筑碳排放總量呈現(xiàn)逐步上升的趨勢(shì)，從1990年的44 659.09 萬(wàn)t增長(zhǎng)至2019年的204 994.54 萬(wàn)t，年均增長(zhǎng)率達(dá)5.21%。2）在于BP神經(jīng)網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)的對(duì)比中，PSOLSTM模型的預(yù)測(cè)表現(xiàn)出了更優(yōu)的預(yù)測(cè)能力，精度更高，更適用于碳排放這類時(shí)間序列數(shù)據(jù)的預(yù)測(cè)。3）通過(guò)訓(xùn)練好的PSO-LSTM模型對(duì)低碳、基準(zhǔn)和高碳3種情景的建筑碳排放進(jìn)行預(yù)測(cè)，得到3種情況的峰值分別為 226 774.562 5 萬(wàn) t、239 738.109 4 萬(wàn) t和 253 379.468 8 萬(wàn) t；而達(dá)峰時(shí)間分別為 2029 年、2032年和2033年。

（2）對(duì)策建議?；谝陨涎芯拷Y(jié)論，為盡早實(shí)現(xiàn)我國(guó)建筑領(lǐng)域碳排放的達(dá)峰，推動(dòng)影響因素從規(guī)模效應(yīng)到質(zhì)量效應(yīng)的轉(zhuǎn)變，提出以下對(duì)策建議：第一，重點(diǎn)推進(jìn)城鎮(zhèn)化的高質(zhì)量發(fā)展。城鎮(zhèn)化的急速發(fā)展是影響建筑碳排放的主要因素，在經(jīng)濟(jì)社會(huì)保持穩(wěn)定增長(zhǎng)的趨勢(shì)下，一方面要提高城鎮(zhèn)居民建筑內(nèi)能源消耗的低碳意識(shí)，另一方面要完善相關(guān)激勵(lì)政策制度，加強(qiáng)建筑領(lǐng)域低碳高質(zhì)量發(fā)展的推廣和應(yīng)用。第二，重點(diǎn)發(fā)展建筑領(lǐng)域的綠色低碳技術(shù)與產(chǎn)品。發(fā)揮技術(shù)進(jìn)步在建筑領(lǐng)域的能效，如提高建筑產(chǎn)品的節(jié)能標(biāo)準(zhǔn)、推廣超低能耗建筑的落地實(shí)施、積極推動(dòng)清潔生產(chǎn)技術(shù)在建筑領(lǐng)域的實(shí)施。通過(guò)上述等方面的舉措，發(fā)揮重點(diǎn)因素的質(zhì)量效應(yīng)作用，從而實(shí)現(xiàn)建筑領(lǐng)域碳排放的盡早達(dá)峰及其碳減排工作的順利開展。