kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2023-1(9)-2kaz44-409Research ArticleСТАТЬИПРОГНОЗИРОВАНИЕ ВЫБРОСОВ ПАРНИКОВЫХ ГАЗОВ В ПРОМЫШЛЕННОМ ПРОИЗВОДСТВЕ РЕСПУБЛИКИ КАЗАХСТАНFORECASTING GREENHOUSE GAS EMISSIONS IN THE INDUSTRIAL PRODUCTION OF THE REPUBLIC OF KAZAKHSTANhttps://orcid.org/0000-0002-9257-5797ЗайдуллаӘ. А.ZaidullaA.

магистрант кафедры «Информационно-коммуникационные технологии»,

010000, г.Астана, ул. Мангилик ел, 55/11

Master student of the department "Information and Communication Technologies",

010000, Astana, 55/11 Mangilik El Avenue

adilhanzai@gmail.comAstana IT UniversityКазахстанAstana IT UniversityKazakhstan20233103202301(9)1523Copyright © Зайдулла Ә.А., 20232023Зайдулла Ә.А.Zaidulla A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/409

Чрезмерные выбросы парниковых газов (ПГ) являются экологической проблемой. Исследования по определению экономически эффективных способов сокращения выбросов парниковых газов выявили необходимость моделирования динамики выбросов углекислого газа, закиси азота, метана и других газов. В данном исследовании был проведен расчет выбросов CO2 в эквиваленте от промышленных процессов и производства на территории Республики Казахстан. При прогнозировании использовались данные, предоставленные Рамочной конвенцией ООН об изменении климата.

Для прогнозирования выбросов CO2 от промышленного производства использовались инструменты анализа и прогнозирования временных рядов: метод Prophet, кластерный анализ временных рядов k-средних, современные версии алгоритмов ARIMA, методы экспоненциального сглаживания и линейной регрессии. В этом исследовании представлены результаты сравнительного моделирования временных рядов, основанные на базовом сценарии, который не предусматривает никаких действий до 2045 года. В этом исследовании сравниваются четыре модели, чтобы предложить наиболее эффективную модель для прогнозирования выбросов CO2 в будущем. Сравнение точности проводится с использованием различных мер погрешности, при этом в качестве метрики для сравнения выбрана средняя абсолютная процентная ошибка (MAPE).

Excessive greenhouse gas (GHG) emissions are an environmental problem. Studies to determine cost-effective ways to reduce GHG emissions have revealed the need to model the dynamics of emissions of carbon dioxide, nitrous oxide, methane, and other gases. In this study, the calculation of CO2 equivalent emissions from industrial processes and production in the territory of the Republic of Kazakhstan was carried out. When forecasting, the data provided by the UN Framework Convention on Climate Change were used. To predict CO2 emissions from industrial production, tools for analysis and forecasting of time series were used: Prophet method, Cluster analysis of k-means time series, modern versions of ARIMA algorithms, exponential smoothing methods, and linear regression. This study presents comparative simulation results based on a baseline scenario with no action until 2045.This study compares four models to suggest an effective one for future CO2 emission forecasting. The accuracy comparison is conducted using various error measures, with the mean absolute percentage error (MAPE) chosen as the metric for comparison. 

выбросы парниковых газовискусственный интеллектмашинное обучениепромышленные процессыиспользование продукциивыбросы CO2GHG emissionsartificial intelligencemachine learningindustrial processesproduct useСO2 emissionsReferencesFramework Convention of Organizations Arises Out of Climate Consumption (UNFCCC), 1994. – URL: https://di.unfccc.int/detailed_data_by_partyFramework Convention of Organizations Arises Out of Climate Consumption (UNFCCC), 1994. – URL: https://di.unfccc.int/detailed_data_by_partyF. Petitjean, A. Ketterlin & P. Gancarski. A global averaging method for dynamic time warping, with applications to clustering. Pattern Recognition, Elsevier, 2011.F. Petitjean, A. Ketterlin & P. Gancarski. A global averaging method for dynamic time warping, with applications to clustering. Pattern Recognition, Elsevier, 2011.M. Cuturi, M. Blondel “Soft-DTW: a Differentiable Loss Function for Time-Series,” ICML 2017.M. Cuturi, M. Blondel “Soft-DTW: a Differentiable Loss Function for Time-Series,” ICML 2017.Singh, P.K.; Pandey, A.K.; Ahuja, S. Multiple forecasting approach: A prediction of CO2 emission from the paddy crop in India. Environ. Sci. Pollut. Res. Vol. 2022.Singh, P.K.; Pandey, A.K.; Ahuja, S. Multiple forecasting approach: A prediction of CO2 emission from the paddy crop in India. Environ. Sci. Pollut. Res. Vol. 2022.Demir, A.S. Modeling and forecasting of CO2 emissions resulting from air transport with genetic algorithms: The United Kingdom case. Theor. Appl. Climatol. 2022.Demir, A.S. Modeling and forecasting of CO2 emissions resulting from air transport with genetic algorithms: The United Kingdom case. Theor. Appl. Climatol. 2022.Ahn, K.U.; Kim, D.W.; Cho, K.; Cho, D.; Cho, H.M.; Chae, C.U. Hybrid Model for Forecasting Indoor CO2 Concentration. Buildings 2022.Ahn, K.U.; Kim, D.W.; Cho, K.; Cho, D.; Cho, H.M.; Chae, C.U. Hybrid Model for Forecasting Indoor CO2 Concentration. Buildings 2022.Chang, C.L.; Ilomäki, J.; Laurila, H.; McAleer, M. Causality between CO2 emissions and stock markets. Energies 2020.Chang, C.L.; Ilomäki, J.; Laurila, H.; McAleer, M. Causality between CO2 emissions and stock markets. Energies 2020.Libao, Y.; Tingting, Y.; Jielian, Z.; Guicai, L; Yanfen, L.; Xiaoqian, M. Prediction of CO2 Emissions Based on Multiple Linear Regression Analysis. Energy Procedia 2017.Libao, Y.; Tingting, Y.; Jielian, Z.; Guicai, L; Yanfen, L.; Xiaoqian, M. Prediction of CO2 Emissions Based on Multiple Linear Regression Analysis. Energy Procedia 2017.Box, G. A Very British Affair Box and Jenkins: Time series analysis, forecasting and control. In A Very British Affair; Palgrave Macmillan: London, UK, 2016.Box, G. A Very British Affair Box and Jenkins: Time series analysis, forecasting and control. In A Very British Affair; Palgrave Macmillan: London, UK, 2016.

The authors declare that there are no conflicts of interest present.