摘要:二氧化碳排放量的发展趋势作为能够反映各国减排措施的指标之一,近些年来受到了广泛关注. 为了缓解碳排放数据的非线性和波动性对预测精度造成的影响,提出一种高效的分解集成预测方法用于预测二氧化碳的年排放量. 碳排的原始序列数据被经验模态分解(Empirical Mode Decomposition, EMD)方法分解为不同频率的振动模块和残差项,粒子群优化算法(Particle Swarm Optimization, PSO)优化后的最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)用于预测每个分解模块. 本文选取了世界上12个国家的真实碳排数据进行实例验证. 预测结果表明:1)EMD方法能够有效提高碳排预测的精准度; 2)和其他预测模型相比,分解集成预测方法能够将平均绝对误差(Mean Absolute Error, MAE)的均值最少提高46.46%,最多提高90.09%,能够将平均Pearson相关系数(Pearson correlation coefficient, PCC)值最少提高10.45%,最多提高45.10%.