CN120106401A 一种铁路基础设施施工过程碳排放预测方法及系统 （长安大学）

地址710061陕西省西安市雁塔区南二环路中段公司仲美酥卢昕玮李慧孙浩杰王同俐(普通合伙)61324专利代理师孙芳芳一种铁路基础设施施工过程碳排放预测方公开了一种铁路基础设施施工过程碳排放预测件提取铁路基础设施施工过程中的碳排放基础每项碳排放基础数据与数据库中各个碳排放特21.一种铁路基础设施施工过程碳排放预测方法，其特征在于，包括：从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，所述碳排放基础数据包括材料的类型及用量、运输活动的运输工具及距离、施工机械的能源类型及消耗量；构建碳排放特征数据库，所述碳排放特征数据库以表结构存储各类材料、能源以及运输工具的碳排放因子；基于所述碳排放特征数据库，对所述碳排放基础数据中的各个数据项进行模糊匹配与动态拟合推导以确定其碳排放因子，其包括：从所述碳排放基础数据提取待查询数据项，所述待查询数据项为材料类型、运输工具类型以及能源类型中的一种；计算所述待查询数据项与所述碳排放特征数据库中各个碳排放特征数据元的哈希值以得到哈希相似度的集合；若所述哈希相似度的集合中的最大值大于等于预设阈值，则将所述最大值对应的碳排放特征数据元中存储的碳排放因子作为所述待查询数据项的碳排放因子；若所述哈希相似度的集合中的最大值小于所述预设阈值，则基于所述哈希相似度的集合的降序排列，提取前N个哈希相似度对应的碳排放特征数据元以构建候选碳排放特征数据元的集合；将所述候选碳排放特征数据元的集合和所述待查询数据项输入碳排放因子动态拟合模型以得到所述待查询数据项的碳排放因子；基于所述碳排放基础数据中的各个数据项及其对应的碳排放因子，计算铁路基础设施施工过程中的总碳排放量。2.根据权利要求1所述的铁路基础设施施工过程碳排放预测方法，其特征在于，将所述候选碳排放特征数据元的集合和所述待查询数据项输入碳排放因子动态拟合模型以得到所述待查询数据项的碳排放因子，包括：对所述待查询数据项和所述候选碳排放特征数据元的集合中的各个候选碳排放特征数据元进行语义嵌入编码以得到待查询数据项语义嵌入编码向量和候选碳排放特征数据元语义嵌入编码向量的集合；对所述待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合进行基于语义查询的候选碳排放特征搜索以得到待查询数据项查询响应语义编码向量；对所述待查询数据项查询响应语义编码向量进行特征解码以得到所述待查询数据项的碳排放因子。3.根据权利要求2所述的铁路基础设施施工过程碳排放预测方法，其特征在于，对所述待查询数据项和所述候选碳排放特征数据元的集合中的各个候选碳排放特征数据元进行语义嵌入编码以得到待查询数据项语义嵌入编码向量和候选碳排放特征数据元语义嵌入将所述待查询数据项和所述候选碳排放特征数据元的集合中的各个候选碳排放特征数据元输入基于Bert模型的语义嵌入编码器以得到所述待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合。3待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合将所述待查询数据项语义特征强化编码向量分别与所述候选碳排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量进行语义查询响基于所述候选碳排放特征数据元语义查询得分编码向量的集合的特征集合自分布特待查询数据项语义特征强化编码向量分别与所述候选碳排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量进行语义查询响应编码以得对所述待查询数据项语义嵌入编码向量进行基于反卷积编码的特征增强以得到待查排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码将所述待查询数据项语义特征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量分别输入单体语义查待查询数据项语义特征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量分别输入单体语义查询单元以得将所述待查询数据项语义特征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量级联融合后输入基于tanh函数的神经网络层以得到所述候选碳排放特征数据元选碳排放特征数据元语义查询得分编码向量的集合进行语义匹配门控聚合以得到所述待基于所述候选碳排放特征数据元语义查询得分编码向量的集合的特征集合自分布特数据元语义查询得分编码向量的单体语义匹配度以得到候选碳排放特征数据元语义匹配将所述候选碳排放特征数据元语义匹配度的集合输入关系门控代理模块以得到候选基于所述候选碳排放特征数据元查询语义自注意力权重的集合来聚合所述候选碳排4放特征数据元语义查询得分编码向量的集合以得到所述待查询数据项查询响应语义编码8.根据权利要求7所述的铁路基础设施施工过程碳排放预测方法，其特征在于，基于所述候选碳排放特征数据元语义查询得分编码向量的集合的特征集合自分布特性，确定所述候选碳排放特征数据元语义查询得分编码向量的集合中各个候选碳排放特征数据元语义查询得分编码向量的单体语义匹配度以得到候选碳排放特征数据元语义匹配度的集合，包基于所述待查询数据项语义特征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合中各个候选碳排放特征数据元语义嵌入编码向量之间的语义特征相互作用，对各个对应的候选碳排放特征数据元语义查询得分编码向量进行对称性约束优化以得到优化候选碳排放特征数据元语义查询得分编码向量的集合；计算所述优化候选碳排放特征数据元语义查询得分编码向量的集合中各个优化候选碳排放特征数据元语义查询得分编码向量相对于其他优化候选碳排放特征数据元语义查询得分编码向量的上下文语义关联度作为所述单体语义匹配度以得到所述候选碳排放特征数据元语义匹配度的集合。9.一种铁路基础设施施工过程碳排放预测系统，其特征在于，包括：碳排放数据提取模块，用于从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，所述碳排放基础数据包括材料的类型及用量、运输活动的运输工具及距离、施工机械的能源类型及消耗量；碳排放数据库构建模块，用于构建碳排放特征数据库，所述碳排放特征数据库以表结构存储各类材料、能源以及运输工具的碳排放因子；数据匹配与拟合模块，用于基于所述碳排放特征数据库，对所述碳排放基础数据中的各个数据项进行模糊匹配与动态拟合推导以确定其碳排放因子，其包括：从所述碳排放基础数据提取待查询数据项，所述待查询数据项为材料类型、运输工具类型以及能源类型中的一种；计算所述待查询数据项与所述碳排放特征数据库中各个碳排放特征数据元的哈希值以得到哈希相似度的集合；若所述哈希相似度的集合中的最大值大于等于预设阈值，则将所述最大值对应的碳排放特征数据元中存储的碳排放因子作为所述待查询数据项的碳排放因子；若所述哈希相似度的集合中的最大值小于所述预设阈值，则基于所述哈希相似度的集合的降序排列，提取前N个哈希相似度对应的碳排放特征数据元以构建候选碳排放特征数据元的集合；将所述候选碳排放特征数据元的集合和所述待查询数据项输入碳排放因子动态拟合模型以得到所述待查询数据项的碳排放因子；碳排放量计算模块，用于基于所述碳排放基础数据中的各个数据项及其对应的碳排放因子，计算铁路基础设施施工过程中的总碳排放量。5一种铁路基础设施施工过程碳排放预测方法及系统技术领域[0001]本申请涉及碳排放预测技术领域，且更为具体地，涉及一种铁路基础设施施工过程碳排放预测方法及系统。背景技术[0002]铁路基础设施建设作为重要的大型工程领域，其碳排放问题日益受到广泛关注。随着铁路建设规模的持续扩大，铁路基础设施施工过程中产生的碳排放对环境的影响愈发显著。因此，准确监测铁路基础设施施工过程中的碳排放量，对于推动铁路行业实现节能减排具有至关重要的意义。[0003]目前，针对铁路基础设施施工过程碳排放的核算主要基于静态数据库的经验公式法，通过人工匹配施工活动与碳排放因子库以实现碳排放量计算，但其泛化能力受限于数据库覆盖范围，难以应对铁路工程中新型复合材料、非标活动的碳排放特征，当遇到新型建材时易产生碳排放因子匹配失效问题。[0004]因此，需要提供一种优化的铁路基础设施施工过程碳排放预测方法及系统来解决上述技术问题。发明内容[0005]为了解决上述技术问题，提出了本申请。[0006]根据本申请的一个方面，提供了一种铁路基础设施施工过程碳排放预测方法，其从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，所述碳排放基础数据包括材料的类型及用量、运输活动的运输工具及距离、施工机械的能源类型及消耗量；构建碳排放特征数据库，所述碳排放特征数据库以表结构存储各类材料、能源以及运输工具的碳排放因子；基于所述碳排放特征数据库，对所述碳排放基础数据中的各个数据项进行模糊匹配与动态拟合推导以确定其碳排放因子，其包括：从所述碳排放基础数据提取待查询数据项，所述待查询数据项为材料类型、运输工具类型以及能源类型中的一种；计算所述待查询数据项与所述碳排放特征数据库中各个碳排放特征数据元的哈希值以得到哈希相似度的集合；若所述哈希相似度的集合中的最大值大于等于预设阈值，则将所述最大值对应的碳排放特征数据元中存储的碳排放因子作为所述待查询数据项的碳排放因子；若所述哈希相似度的集合中的最大值小于所述预设阈值，则基于所述哈希相似度的集合的降序排列，提取前N个哈希相似度对应的碳排放特征数据元以构建候选碳排放特征数据元的集合；6将所述候选碳排放特征数据元的集合和所述待查询数据项输入碳排放因子动态拟合模型以得到所述待查询数据项的碳排放因子；基于所述碳排放基础数据中的各个数据项及其对应的碳排放因子，计算铁路基础设施施工过程中的总碳排放量。[0007]根据本申请的另一个方面，提供了一种铁路基础设施施工过程碳排放预测系统，其包括：碳排放数据提取模块，用于从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，所述碳排放基础数据包括材料的类型及用量、运输活动的运输工具及距离、施工机械的能源类型及消耗量；碳排放数据库构建模块，用于构建碳排放特征数据库，所述碳排放特征数据库以表结构存储各类材料、能源以及运输工具的碳排放因子；数据匹配与拟合模块，用于基于所述碳排放特征数据库，对所述碳排放基础数据中的各个数据项进行模糊匹配与动态拟合推导以确定其碳排放因子，其包括：从所述碳排放基础数据提取待查询数据项，所述待查询数据项为材料类型、运输工具类型以及能源类型中的一种；计算所述待查询数据项与所述碳排放特征数据库中各个碳排放特征数据元的哈希值以得到哈希相似度的集合；若所述哈希相似度的集合中的最大值大于等于预设阈值，则将所述最大值对应的碳排放特征数据元中存储的碳排放因子作为所述待查询数据项的碳排放因子；若所述哈希相似度的集合中的最大值小于所述预设阈值，则基于所述哈希相似度的集合的降序排列，提取前N个哈希相似度对应的碳排放特征数据元以构建候选碳排放特征数据元的集合；将所述候选碳排放特征数据元的集合和所述待查询数据项输入碳排放因子动态拟合模型以得到所述待查询数据项的碳排放因子；碳排放量计算模块，用于基于所述碳排放基础数据中的各个数据项及其对应的碳排放因子，计算铁路基础设施施工过程中的总碳排放量。[0008]本申请至少具有如下技术效果：与现有技术相比，本申请提供的铁路基础设施施工过程碳排放预测方法及系统，其首先从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，同时构建相关的碳排放特征数据库，基于每项碳排放基础数据与数据库中各个碳排放特征数据元之间的哈希相似度，查询对应的碳排放因子进行碳排放量计算，同时当碳排放特征数据库中的数据元不足以满足查询需求时，进一步引入深度学习算法，通过对具有较高相似度的多个候选碳排放特征数据元进行语义解析和动态查询匹配拟合，以推断相应的碳排放因子从而实现碳排放量计算。本申请可以有效应对新型复合材料和施工活动的碳排放特征，提高碳排放预测的泛化能力，从而为铁路行业的碳排放管理提供有力支持。附图说明[0009]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明7书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。[0010]图1为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的流程图。[0011]图2为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的数据流动示[0012]图3为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S3的流程图。[0013]图4为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S35的流程图。[0014]图5为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S352的流程图。[0015]图6为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S3521的流程图。[0016]图7为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S3522的流程图。[0017]图8为根据本申请实施例的铁路基础设施施工过程碳排放预测系统的框图。具体实施方式括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。[0019]虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。[0020]本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。[0021]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。[0022]需要提前说明的是，本申请中所有信息或数据的获取及处理都是在遵照所在地相应数据保护法规政策的前提下，并获得权限管理者给予授权的前提下进行的。[0023]图1为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的流程图。图2为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的数据流动示意图。如图1和图2所示，所述铁路基础设施施工过程碳排放预测方法，包括步骤：S1,从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，所述碳排放基础数据包括材料的类型及用量、运输活动的运输工具及距离、施工机械的能源类型及消耗量；S2,构建碳8排放特征数据库，所述碳排放特征数据库以表结构存储各类材料、能源以及运输工具的碳排放因子；S3,基于所述碳排放特征数据库，对所述碳排放基础数据中的各个数据项进行模糊匹配与动态拟合推导以确定其碳排放因子；S4,基于所述碳排放基础数据中的各个数据项及其对应的碳排放因子，计算铁路基础设施施工过程中的总碳排放量。[0024]在上述铁路基础设施施工过程碳排放预测方法中，所述步骤S1,从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，所述碳排放基础数据包括材料的类型及用量、运输活动的运输工具及距离、施工机械的能源类型及消耗量。应可以理采购与使用、不同运输方式的调配以及各类施工机械的运转等环节，都会产生碳排放。IFC(IndustryFoundationClasses)文件作为建筑行业数字化信息交换的国际标准格式，全面且规范地涵盖了铁路基础设施施工从规划设计到施工建设各个阶段的各类信息，为准确地提取碳排放基础数据提供了理想的数据载体。具体而言，IFC文件遵循一套严格且标准化的信息模型结构，通过清晰定义各类实体(如建筑材料、施工设备、运输活动等)、实体所具之间的关系(如材料与施工部位的关联，设备与施工任务的对应等),来全面描述建筑工程信息。通过利用IFC解析引擎(如IfcOpenShell等)对铁路基础设施相关的IFC文件进行解析，提取出文件中的各类实体及其属性，可以为施工过程中的碳排放量核算提供具体的碳排放基础数据。[0025]具体而言，在处理IFC文件以获取材料类型及用量时，必须深入挖掘文件中关于建筑材料的所有相关信息。从IFC文件中可以找到特定的实体，这些实体代表了施工现场使用的所有不同类型的材料。每种材料都有其独特的标识符，包括但不限于材料名称、规格参数等，这些标识符帮助识别具体的材料种类。同时，对于每一种材料，I用量数据，这通常体现在材料应用于哪些部位或组件上。通过对这些数据进行分析，可以获得精确到每个施工环节的材料使用量，从而为后续的碳排放核算提供准确的数据支持。[0026]运输活动是另一个重要的碳排放来源，因此从IFC文件中提取与之相关的数据尤为关键。运输活动的信息不仅涵盖了运输工具的类型，还包括行驶的距离等重要参数。IFC文件通过明确的实体定义，将运输活动与其对应的施工任务紧密联系起来，确保每一次运输活动都被准确记录下来。在实际操作中，通过解析这些实体，可以清楚地了解运输工具的选择依据及其运行路线规划情况。这对于评估因运输而产生的碳排放具有重要意义。此外，运输距离作为影响碳排放的一个重要因素，在IFC文件中也被详细记录，使得针对不同运输方式下的碳排放计算成为可能。[0027]对于施工机械而言，其能源类型及消耗量是决定碳排放量的关键因素之一。IFC文件中关于施工机械的信息丰富详实，不仅包含设备的基本信息如型号、功率等，还有详细的能耗数据。这些信息有助于精确计算施工过程中由于机械设备运转所产生的碳排放量。具体来说，通过分析IFC文件中提供的设备能耗信息，并结合实际工作时间，可以估算出某一时间段内某类施工机械的总能耗。这一过程需要仔细考量设备的实际使用情况，包括但不限于设备的工作效率、负荷变化等因素，以便更准确地反映真实情况下的能耗状况。[0028]在具体实施的过程中，使用IfcOpenShell这样的开源库，可以有效地解析IFC文件并提取所需数据，其支持多种编程语言接口，便于集成到不同的系统环境中。利用这类工9具，可以从IFC文件中抽取关于材料、运输和机械设备的具体信息，并将其转换成可供进一步处理的数据格式。在此过程中，还需注意数据的质量控制，确保提取的数据准确无误。这可能涉及到数据清洗、验证等多个步骤，旨在提高数据的可靠性和准确性。[0029]在上述铁路基础设施施工过程碳排放预测方法中，所述步骤S2,构建碳排放特征数据库，所述碳排放特征数据库以表结构存储各类材料、能源以及运输工具的碳排放因子。应可以理解，碳排放因子用于表征单位量材料、能源或运输工具在使用过程中所产生的碳排放量，是进行碳排放量计算的关键参数。在本申请中，采用表结构存储各类材料、能源以及运输工具的基本属性信息和碳排放因子，有助于快速查询和匹配。具体地，所述碳排放特征数据库中的每一行代表一种具体的材料、能源或运输工具，每一列对应其不同的属性。例如，对于材料，列属性可以包括材料名称、材料类型(进一步料、有机高分子材料、新型复合材料等)、材料的生产工艺(不同工艺碳风能等)、能源来源(火电可能因发电方式不同碳排放不同，如煤电、气电；水电则需考虑建设过程中的碳排放等)、单位能源消耗的碳排放因子。对于运输工具，列属性可包含运输工具名称、类型(卡车可细分不同载重和动力类型，火车可分不同车型，船舶也有多种类型)、载重、单位运输距离的碳排放因子等。通过建立这种结构化的数据存储方式，利用数据库管理系统强大的索引和查询功能，能够依据输入的材料、能源或运输工具相关信息，快速定位并提取所需的碳排放因子数据。[0030]具体而言，对于材料而言，在数据库中为每一种材料创建独立的行记录，每一列代表不同的属性。材料名称作为基础标识符，帮助准确识别每种材料。接下来，详细分类材料地定义每种材料的特性。此外，材料生产工艺也是一个重要的属性，不同工艺流程对碳排放有着显著影响，因此这一信息对于计算单位用量的碳排放因子至关重要。通过这种结构化的方式，可以为每种材料提供详细的描述，不仅包括基本属性，还涵盖与碳排放直接相关的参数。例如，当涉及到新型复合材料时，由于其复杂的组成和生产工艺，需要特别关注其独特的碳排放特征，以便在后续计算中能够准确反映实际情况。[0031]针对能源方面，数据库同样需要精细划分不同类型和来源，以能源名称作为基础细化到能源来源，例如火电可能因发电方式不同而有差异，煤电和气电各自具有不同的碳排放特征；水电则需考虑建设过程中的碳排放等因素。这样做的目的在于确保每种能源形式下的碳排放因子能够准确反映其实际环境影响。同时，单位能源消耗的碳排放因子也是数据库中不可或缺的一部分，这部分数据直接关系到基于特定能源使用的碳排放量计算。通过对这些属性的详细记录，可以在使用过程中根据具体的能源消耗情况，迅速定位并提取相应的碳排放因子，从而提高计算效率和准确性。[0032]此外，对于运输工具的处理，数据库设计需考虑到多种因素。首先，以运输工具名称作为基础标识符，便于快速识别每种工具。再根据类型细分，例如卡车可按不同载重和动力类型分类，火车根据不同车型区分，船舶也有多种类型之分。除了上述基本信息外，还需记录载重和单位运输距离的碳排放因子等关键属性。这是因为运输活动产生的碳排放不仅取决于所用交通工具的类型，还与载重量及行驶距离密切相关。因此，在数据库中准确记录这些信息，对于评估每次运输活动的实际碳排放量至关重要。此外，对于新兴的绿色交通方式，如电动车辆或混合动力船只，也应在数据库中予以体现，以反映这些技术进步对减少碳排放的积极贡献。[0033]在整个数据库构建过程中，利用数据库管理系统强大的索引和查询功能显得尤为重要。通过建立合适的索引，可以根据输入的材料、能源或运输工具的相关信息，快速定位并提取所需的碳排放因子数据。这意味着，在实际操作中，无论是新材料的应用、新能源的引入，还是新型运输工具的采用，都能够及时更新至数据库中，保证数据的时效性和准确性。同时，为了支持动态查询和匹配，数据库设计还需具备良好的扩展性，以便随着新数据的加入或现有数据的调整，能够灵活适应变化的需求。[0034]在具体实施的过程中，在材料部分，除了基础的名称和类型之外，还需要详细记录材料的具体应用领域及其生命周期内的碳排放特征。对于一些特殊应用场景下使用的材料，比如高强度钢材用于桥梁建设，或是高性能混凝土应用于隧道工程，这些材料在不同工况下的碳排放表现可能有所不同。因此，在数据库中应尽可能详尽地记录这些信息，以便于在复杂多变的铁路基础设施施工环境中，实现精准的碳排放量计算。类似地，对于能源部分，不仅要关注常见的化石燃料，还要重视清洁能源的发展趋势，如太阳能、风能等新能源的逐步普及及其对碳排放因子的影响。这要求数据库持续跟踪能源领域的最新进展，确保所有相关数据得到及时更新。[0035]在上述铁路基础设施施工过程碳排放预测方法中，所述步骤S3,基于所述碳排放特征数据库，对所述碳排放基础数据中的各个数据项进行模糊匹配与动态拟合推导以确定其碳排放因子。具体地，本申请考虑到碳排放特征数据库可能存在更新不及时或数据不全的情况，无法完全覆盖实际施工中的所有碳排放特征。因此，本申请采用一种结合相似度查询与深度学习算法的动态拟合推导方法，来提高碳排放预测的准确性和泛化能力。其中，图3为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S3的流程图。如图3所示，所述步骤S3,包括步骤：S31,从所述碳排放基础数据提取待查询数据项，所述待查询数据项为材料类型、运输工具类型以及能源类型中的一种；S32,计算所述待查询数据项与所述碳排放特征数据库中各个碳排放特征数据元的哈希值以得到哈希相似度的集合；S33,若所述哈希相似度的集合中的最大值大于等于预设阈值，则将所述最大值对应的碳排放特征数据元中存储的碳排放因子作为所述待查询数据项的碳排放因子；S34,若所述哈希相似度的集合中的最大值小于所述预设阈值，则基于所述哈希相似度的集合的降序排列，提取前N个哈希相似度对应的碳排放特征数据元以构建候选碳排放特征数据元的集合；S35,将所述候选碳排放特征数据元的集合和所述待查询数据项输入碳排放因子动态拟合模型以得到所述待查询数据项的碳排放因子。[0036]具体地，所述步骤S31,从所述碳排放基础数据提取待查询数据项，所述待查询数据项为材料类型、运输工具类型以及能源类型中的一种。也就是，通过提取待查询数据项，以确定需要进行碳排放因子查询的具体对象，为后续的碳排放因子智能匹配提供输入特[0037]具体地，所述步骤S32,计算所述待查询数据项与所述碳排放特征数据库中各个碳排放特征数据元的哈希值以得到哈希相似度的集合。应可以理解，哈希算法是一种将输入数据通过特定函数转换为固定大小的数值摘要的技术，具有高效计算和较低碰撞概率的特11点，在本申请中，利用哈希算法将待查询数据项与碳排放特征数据库中各个碳排放特征数据元转换为固定长度的哈希值，通过比较哈希值之间的相似度，可以有效量化待查询数据项与碳排放特征数据库中各个碳排放特征数据元之间的相似程度，从而为后续的碳排放因子匹配提供依据。[0038]具体地，所述步骤S33,若所述哈希相似度的集合中的最大值大于等于预设阈值，则将所述最大值对应的碳排放特征数据元中存储的碳排放因子作为所述待查询数据项的碳排放因子。具体而言，当哈希相似度较高时，意味着待查询数据项与某个碳排放特征数据元在属性特征上较为接近。若最大哈希相似度达到或超过预设阈值，则可以认为待查询数据项与该碳排放特征数据元具有较高的相似度，因此可以直接采用该碳排放特征数据元中存储的碳排放因子作为待查询数据项的碳排放因子。[0039]具体地，所述步骤S34,若所述哈希相似度的集合中的最大值小于所述预设阈值，则基于所述哈希相似度的集合的降序排列，提取前N个哈希相似度对应的碳排放特征数据元以构建候选碳排放特征数据元的集合。也就是，若所述哈希相似度的集合中的最大值小于所述预设阈值，则表明待查询数据项与碳排放特征数据库中现有的碳排放特征数据元在属性特征上存在一定差异，如果直接使用现有碳排放特征数据元的碳排放因子，可能会导致碳排放预测的准确度下降。对此，本申请通过提取较高的前N个哈希相似度对应的碳排放特征数据元作为候选碳排放特征数据元的集合，进一步缩小候选范围，在此基础上进行待查询数据项的碳排放因子的深度学习推导。[0040]图4为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤S35的流程图。如图4所示，所述步骤S35,包括步骤：S351,对所述待查询数据项和所述候选碳排放特征数据元的集合中的各个候选碳排放特征数据元进行语义嵌入编码以得到待查询数据项语义嵌入编码向量和候选碳排放特征数据元语义嵌入编码向量的集合；S352,对所述待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合进行基于语义查询的候选碳排放特征搜索以得到待查询数据项查询响应语义编码向量；S353,对所述待查询数据项查询响应语义编码向量进行特征解码以得到所述待查询数据项的碳排放因子。[0041]更为具体地，在本申请的一个具体示例中，所述步骤S351,包括：将所述待查询数据项和所述候选碳排放特征数据元的集合中的各个候选碳排放特征数据元输入基于Bert模型的语义嵌入编码器以得到所述待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合。应可以理解，由于传统的文本匹配算法主要依赖于字符层面的相似度计算，对于语义层面的相似性考虑不足。对此，为了提高待查询数据项与候选碳排放特征数据元之间的关联分析准确性，本申请采用了在自然语言处理领域广泛应用的Bert模型对所述待查询数据项和各个候选碳排放特征数据元进行语义嵌入编码。具体而言，Bert模型通过在大规模语料库上进行预训练，具有强大的语义表征能力，能够将文本转换为高维的语义向量空间中的向量，使得语义相似的文本在向量空间中的距离较近。基于此，在本申请中，利用Bert模型对所述待查询数据项和各个候选碳排放特征数据元进行语义嵌入编码，可以有效捕捉到待查询数据项和各个候选碳排放特征数据元的深层上下文语义特征，将其转换为同一特征空间中的向量表示，生成待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合，从而为后续的碳排放因子推导提供[0042]更为具体地，所述步骤S352,对所述待查询数据项语义嵌入编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合进行基于语义查询的候选碳排放特征搜索以据项语义嵌入编码向量分别与各个候选碳排放特征数据元语义嵌入编码向量进行语义查步骤S352,包括步骤：S3521,将所述待查询数据项语义特征强化编码向量分别与所述候选碳排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量进行语义查询响应编码以得到候选碳排放特征数据元语义查询得分编码向量的集[0043]图6为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤嵌入编码向量进行基于反卷积编码的特征增强以得到待查询数据项语义特征强化编码向向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量具有相同特征尺度；S35212,将所述待查询数据项语义特征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合中的各个候选碳排放特征数据元语义嵌入编码向量分别输入单体语义V₂={V₂1,V22,…,V2i…,表示计算范数，V₂表示候选碳排放特征数据元语义嵌入编码向量的集合，V21、V22、征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量级联融合后输入基于[;]表示级联操作，R表示候选碳排放特征数据元语义查询得分编码向量。编码向量能够同步表征待查询数据项与候选碳排放特征数据元之间的语义相似度及特征[0048]图7为根据本申请实施例的铁路基础设施施工过程碳排放预测方法的子步骤据元语义查询得分编码向量的集合中各个候选碳排放特征数据元语义查询得分编码向量的单体语义匹配度以得到候选碳排放特征数据元语义匹配度的集合；S35222,将所述候选碳排放特征数据元语义匹配度的集合输入关系门控代理模块以得到候选碳排放特征数据元查询语义自注意力权重的集合；S35223,基于所述候选碳排放特征数据元查询语义自注意力权重的集合来聚合所述候选碳排放特征数据元语义查询得分编码向量的集合以得到询数据项语义特征强化编码向量和所述候选碳排放特征数据元语义嵌入编码向量的集合候选碳排放特征数据元语义查询得分编码向量进行对称性约束优化以得到优化候选碳排V4;V4;表示V₁′和V2i之间的相互作用势向量，9表示耦合常数，S;表示协变矩阵，示Ri对应的优化候选碳排放特征数据元语义查询得分编码向量。选碳排放特征数据元语义嵌入编码向量之间的直接特征拼接来进行语义查询得分编码时，空间之间的固有对准特性，从而确保候选碳排放实反映待查询数据项语义特征强化编码向量和候选碳排放特征数据元语义嵌入编码向量化候选碳排放特征数据元语义查询得分编码向量能够为铁路工程碳排放预测提供更可靠的依据。优化候选碳排放特征数据元语义查询得分编码向量相对于其他优化候选碳排放特征数据元语义查询得分编码向量的上下文语义关联度作为所述单体语义匹配度以得到所述候选其中，表示所述优化候选碳排放特征数据元语义查询得分编码向量的集合中与不同的优化候选碳排放特征数据元语义查询得分编码向量，n表示多个优化候选碳排放特征数据元语义查询得分编码向量中优化候选碳排放特征数据元语义查询得分编码向量的个数，()T表示向量的转置，exp·)表示以e为底的指数函数运算，softmax(·)表示softmax函数，αi表示对应的候选碳排放特征数据元语义匹配可靠性。[0057]更为具体地，所述步骤S353,对所述待查询数据项查询响应语义编码向量进行特征解码以得到所述待查询数据项的碳排放因子。也就是，本申请进一步采用特征解码器对所述待查询数据项查询响应语义编码向量进行解码处理，以将其从高维语义向量空间映射回碳排放因子的具体数值。具体地，所述特征解码器是基于深度学习框架构建的神经网络模型，在训练阶段，其使用已知的碳排放数据及其对应的碳排放因子作为训练样本，通过反向传播算法不断调整网络参数，使得特征解码器能够学习到从高维语义向量空间到碳排放因子具体数值的有效映射关系。在推导阶段，所述特征解码器接收所述待查询数据项查询响应语义编码向量作为输入，根据学习到的映射关系，通过前向传播计算输出该新型材料对应的碳排放因子数值。通过这种方式，即使待查询数据项与碳排放特征数据库中的现有数据元存在一定差异，也可以依据其深层语义特征进行准确的碳排放因子推导，从而提高了碳排放预测的准确性和泛化能力。[0058]在上述铁路基础设施施工过程碳排放预测方法中，所述步骤S4,基于所述碳排放基础数据中的各个数据项及其对应的碳排放因子，计算铁路基础设施施工过程中的总碳排放量。具体地，根据碳排放的基本计算原理，对于不同类型的碳排放源，采用相应的计算方式。对于材料部分，由于不同材料在生产过程中产生的碳排放与材料用量密切相关，其碳排放量等于材料用量乘以单位用量的碳排放因子。例如，生产1吨钢材的碳排放因子为X千克二氧化碳/吨，若施工中使用了Y吨钢材，则钢材生产环节的碳排放量为X*Y千克二氧化碳。对于运输活动，运输过程中的碳排放主要取决于运输距离和运输工具的能耗特性，碳排放量等于运输距离乘以单位运输距离的碳排放因子。比如，某种型号卡车运输每吨货物每公动的碳排放量为Z*M*N千克二氧化碳。对于施工机械，施工机械在运转过程中因能源消耗而产生碳排放，其碳排放量等于能源消耗量乘以单位能源消耗的碳排放因子。例如，某台柴油施工机械每消耗1升柴油的碳排放因子为W千克二氧化碳/升，施工过程中消耗了P升柴油，则该机械的碳排放量为W*P千克二氧化碳。将所有材料、运输活动和施工机械的碳排放量进行累加，即可得到铁路基础设施施工过程中的总碳排放量。[0059]综上所述，基于本申请实施例的铁路基础设施施工过程碳排放预测方法被阐明，其首先从铁路基础设施相关IFC文件提取铁路基础设施施工过程中的碳排放基础数据，同时构建相关的碳排放特征数据库，基于每项碳排放基础数据与数据库中各个碳排放特征数据元之间的哈希相似度，查询对应的碳排放因子进行碳排放量计算，同时当碳排放特征数据库中的数据元不足以满足查询需求时，进一步引入深度学习算法，通过对具有较高相似度的多个候选碳排放特征数据元进行语义解析和动态查询匹配拟合，以推断相应的碳排放因子从而实现碳排放量计算。通过这种方式，可以有效应对新型复合材料和施工活动的碳排放特征，提高碳排放预测的泛化能力，从而为铁路行业的碳排放管理提供有力支持。[0060]进一步地，还提供一种铁路基础设施施工过程碳排放预测系统。[0061]图8为根据本申请实施例的铁路基础设施施工过程碳排放预测系统的框图。如图8所示，根据本申请实施例的铁路基础设施施工过程碳排放预测系统100,包括：时序数据采集模块110,用于基于预定时间周期从列车牵引供电系统获取列车运行过程中的实际耗电量以得到实际耗电量的时间序列，同时基于所述预定时间周期从电网能源管理系统获取与所述列车运行区域对应的电网碳排放因子以得到电网碳排放因子的时间序列；碳排放量计算模块120,用于基于所述实际耗电量的时间序列和所述电网碳排放因子的时间序列，计算列车碳排放量的时间序列；高排放识别模块130,用于将所述列车碳排放量的时间序列中大于预设碳排放阈值的数据项标记为高排放时间区间，并获取处于高排放时间区间的列车运行数据以得到列车运行状态信息的集合；聚类分析模块140,用于对所述列车运行状态信息的集合进行聚类分析以确定导致列车高碳排放的主要影响因素。[0062]以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。[0063]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目[0064]对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非