Predictive Modeling of CO۲ Emissions in Iran:Assessing and Identifying Optimal ForecastingStrategies
- سال انتشار: 1402
- محل انتشار: دومین کنفرانس ملی فن آوری های پیشرفته دانش بنیان در علوم مهندسی
- کد COI اختصاصی: ENGINEERKH02_021
- زبان مقاله: انگلیسی
- تعداد مشاهده: 78
نویسندگان
M.Sc. StudentDepartment of Civil Engineering, Ferdowsi University ofMashhad, Mashhad, Iran
Assistant ProfessorDepartment of Architecture, Khorasan Institute of HigherEducation, Mashhad, Iran
چکیده
China, India, and the United States are among thecountries with the highest energy consumption and greenhouse gasemissions, including CO۲, on a global scale. Iran also produces alarge amount of carbon dioxide every year. This article predictsthe adverse effects of CO۲ emissions in Iran based on time seriesdata from ۱۹۹۴ to ۲۰۲۴ for the upcoming year. In this study,statistical models such as Autoregressive Integrated MovingAverage (ARIMA), machine-learning models including linearregression and random forest, and deep learning models have beenemployed. By analyzing the performance of the models and theirpredictive capabilities, it can be observed that three models,namely SVR, ARIMA (۰,۱,۱), and Linear Regression, outperformthe other models created. The results indicate that the SVR modelis the most accurate model for predicting CO۲ emissions witherror metrics of RMSE=۶۲.۸۷, MAPE=۰.۰۶۳, and MedianAE=۴۸.۶۸, among other performance criteria. Therefore, the SVRmodel based on deep learning is suggested as one of the mostsuitable models for predicting CO۲ emissions.کلیدواژه ها
Greenhouse gases, CO۲ per capita emissions,Prediction, Machine learning, Deep learning.مقالات مرتبط جدید
- Providing a new method to prevent denial of service attacks in wireless sensor networks
- تشخیص جوامع در شبکه های اجتماعی با استفاده از یادگیری تقویتی
- انقلابی در یادگیری با کمک هوش مصنوعی
- شیوههای رمزنگاری در شبکه های کامپیوتری : اصول، تکنیک ها و کاربردها
- ارزیابی کنوانسیون بیع بین المللی کالا بر حمل و نقل و تجارت ملی و بین المللی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.