基于BWO-VMD-ISSA-LSTM的交通运输业碳排放预测研究

来源：计算机工程与应用杂志2026年第10期北京时间：

作者：王庆荣, 王俊杰, 朱昌锋, 张金鹏, 何润田, 刘心康

单位：1.兰州交通大学 电子与信息工程学院，兰州 730070；2.兰州交通大学 交通运输学院，兰州 730070；

摘要：针对交通运输业碳排放量的非线性影响预测精度的问题，提出了一种结合白鲸优化算法（beluga whale optimization，BWO）、变分模态分解（variational mode decomposition，VMD）、改进麻雀搜索算法（improved sparrow search algorithm，ISSA）及LSTM的碳排放预测模型。引入最大互信息系数（maximum information coefficient，MIC）提取影响碳排放量的主要因素，剔除冗余特征。利用BWO对VMD的分解模态数和惩罚因子寻优，增强两参数间的协调性，进而将碳排放量分解为不同频率的模态分量和剩余分量，削弱原始碳排放量的非线性；通过在LSTM的输入端嵌入特征注意力机制（feature attention mechanism，FA），突出关键输入特征。引入基于改进Tent混沌映射、动态步长权重因子、混合变异算子和精英反向学习的混合策略改进SSA算法，避免算法陷入局部最优。对各模态分量分别构建基于ISSA-LSTM的预测模型，并对预测结果进行集成。采用中国交通运输业1990—2019年的碳排放数据对模型进行验证，结果表明，所提模型较最优对比模型的RMSE、MAE和MAPE分别降低了26.28%、31.64%和33.32%，能够有效地预测交通运输业碳排放量。

关键词：交通运输业,碳排放预测,白鲸优化算法,变分模态分解,麻雀搜索算法,最大互信息系数

基金资助：国家自然科学基金（72161024）；甘肃省教育厅“双一流”重大研究项目（GSSYLXM-04）。