Forecasting the total energy consumption in China using a new-structure grey system model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose China is by far the world’s largest energy consumer and importer. Reasonably forecasting the trend of China’s total energy consumption (CTEC) is of great significance. The purpose of this paper is to propose a new-structure grey system model (NSGM (1, 1)) to forecast CTEC. Design/methodology/approach Two matrices for computing the parameters of NSGM (1, 1) were defined and the specific calculation formula was derived. Since the NSGM (1, 1) model increases the number of its background values, which improves the smoothness effect of the background value and weakens the effects of extreme values in the raw sequence on the model’s performance; hence it has better simulation and prediction performances than traditional grey models. Finally, NSGM (1, 1) was used to forecast China’s total energy consumption during 2016-2025. The forecast showed CTEC will grow rapidly in the next ten years. Findings Therefore, in order to meet the target of keeping CTEC under control at 4.8 billion tons of standard coal in 2020, Chinese government needs to take necessary measures such as transforming the economic development pattern and enhancing the energy utilization efficiency. Originality/value A new-structure grey forecasting model, NSGM (1, 1), is proposed in this paper, which improves the smoothness and weakens the effects of extreme values and has a better structure and performance than those of other grey models. The authors successfully employ the new model to simulate and forecast CTEC. The research findings could aid Chinese government in formulating energy policies and help energy exporters make rational energy yield plans.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle