1.一种基于ISWO‑LSTM模型的碳排放量预测方法，其特征在于，包括如下步骤：步骤1.对碳排放数据进行预处理，将电力数据、交通流量数据、工业数据、居民消费数据和历史碳排放量值确定为预测模型的输入特征变量；

步骤2.搭建基于LSTM模型的碳排放量预测模型，同时基于改进的蜘蛛蜂优化算法ISWO优化LSTM模型的超参数，得到具有最优超参数的LSTM模型；

步骤3.利用预处理的碳排放数据对具有最优超参数的LSTM模型进行训练，得到训练好的碳排放量预测模型，并利用训练好的碳排放量预测模型对碳排放量进行预测；

所述步骤2中，ISWO算法是在传统的蜘蛛蜂优化算法进行如下改进得到的：首先通过引入Tent混沌映射进行种群初始化，以提升解的初始分布的均衡性与探索性，丰富种群多样性；其次通过引入自适应惯性权重，以平衡算法的全局搜索能力和局部开发能力，提高算法的收敛速度和收敛精度；最后采用柯西变异的策略，对蜘蛛蜂的位置信息进行全局搜索阶段的变异处理，以避免算法陷入局部最优；

所述步骤2中，利用ISWO优化LSTM模型的超参数的过程如下：步骤2.1.初始化LSTM网络参数，确定超参数的取值范围，对数据预处理并输入数据；

步骤2.2.确定改进的蜘蛛蜂优化算法ISWO算法的权衡率TR、交叉率CR、种群数以及最大迭代数，使用Tent混沌映射初始化ISWO种群；

步骤2.3.进行模型训练，使用MAE作为适应度函数评估在当前超参数配置下的性能，并根据适应度函数的值来，比较个体适应度以找出最佳的位置；

步骤2.4.在算法跟随和逃跑阶段引入自适应惯性权重，基于自适应惯性权重更新蜘蛛蜂个体的位置，计算更新后个体的适应度，并判断是否比历史最优适应度小；

如果是，则更新全局最优个体和最优适应度值；否则，保持不变；

步骤2.5.利用柯西变异公式对每次迭代寻优得到的最优值进行柯西变异，计算出变异后的最优个体适应度值，比较每次迭代的最优适应度值并择优保留；

步骤2.6.当达到最大迭代次数时，结束迭代，得到全局最优个体，输出最优超参数；否则，若当前迭代次数未达到最大迭代次数，则返回步骤2.4搜索全局最优个体；

所述步骤2.5中，柯西变异对最优个体更新公式如下公式所示：

xnewbest＝xbest×(1+η×Cauchy(0,1))；

其中，xbest为当前迭代的最优个体值；xnewbest为经过柯西变异后的最优个体值，Cauchy(0,1)为柯西变异分布，η是一个用来控制变异步长的常数。

2.根据权利要求1所述的基于ISWO‑LSTM模型的碳排放量预测方法，其特征在于，所述步骤2.2中，Tent混沌映射的其函数表达式如下所示：其中，a∈(0,1)，xn+1表示迭代下一值，xn表示迭代当前值。

3.根据权利要求1所述的基于ISWO‑LSTM模型的碳排放量预测方法，其特征在于，所述步骤2.4中，自适应惯性权重的表达式如下所示：其中，w表示自适应惯性权重，w1表示最大的权重值，w2表示最小的权重值，tmax表示最大迭代次数，t表示当前迭代次数；

根据迭代次数，更新个体位置如下所示：

其中， 表示下一时刻雌蜂位置， 表示当前时刻雌蜂位置，a是种群随机指数， 表示t时刻种群中a个体的位置， 表示[0,1]中的随机值向量，r3、r4表示[0,1]中的随机数；其中 是介于k和‑k之间的正态分布向量；

根据下式计算k的值，以逐渐增加雌性蜘蛛蜂与蜘蛛之间的距离：

其中r6表示一个随机数。

4.根据权利要求1所述的基于ISWO‑LSTM模型的碳排放量预测方法，其特征在于，所述步骤2中，待优化的LSTM模型的超参数包括LSTM模型的隐藏层第一层、第二层神经元数以及学习率，利用改进的蜘蛛蜂优化算法ISWO优化LSTM模型的超参数。

5.根据权利要求1所述的基于ISWO‑LSTM模型的碳排放量预测方法，其特征在于，所述步骤1中，对碳排放数据进行预处理的过程如下：首先对原始数据即碳排放数据进行缺失值处理和归一化处理，然后采用Pearson相关系数分析法对原始多维输入变量组成的时间序列进行相关性分析，选取与碳排放量数据相关的影响因素作为预测模型的输入特征变量，实现原始数据的降维和选优。

6.一种用于实现如权利要求1所述的基于ISWO‑LSTM模型的碳排放量预测方法的基于ISWO‑LSTM模型的碳排放量预测系统，其特征在于，所述基于ISWO‑LSTM模型的碳排放量预测系统，包括如下模块：预处理模块，用于对碳排放数据进行预处理；

模型搭建模块，用于搭建基于LSTM模型的碳排放量预测模型，同时基于改进的蜘蛛蜂优化算法ISWO优化LSTM模型的超参数，得到具有最优超参数的LSTM模型；

以及预测模块，用于利用预处理的碳排放数据对具有最优超参数的LSTM模型进行训练，得到训练好的碳排放量预测模型，并利用训练好的碳排放量预测模型对碳排放量进行预测。