基于CEEMDAN和Attention-RNN改进的深度学习组合模型的长江流域碳市场价格预测
Zuliang Lu1,2, Zhihui Cao3, Zhuran Xiang3
1Key Laboratory for Nonlinear Science and System Structure, Chongqing Three Gorges University, Chongqing, 404000, P. R. China. zulianglux@126.com.
Carbon balance and management
|November 21, 2025
概括
准确的碳价格预测对于有效的碳交易市场至关重要. 一个新的CEEMDAN-Attention-RNN模型通过考虑多个因素来提高预测准确性,优于现有方法.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 经济学 经济学 经济学
背景情况:
- 准确的碳价格预测对于稳定的碳交易市场至关重要.
- 现有的模型往往忽略了多种影响因素对碳价格的影响.
研究的目的:
- 为改进碳价格预测提出一个全新的集体深度学习模型 (CEEMDAN-Attention-RNN).
- 将多种影响因素纳入碳价格预测中.
主要方法:
- 碳价格和外部变量的分解使用完整集体实证模式分解与自适应噪声 (CEEMDAN).
- 应用与LSTM,GRU集成的反复神经网络 (RNN),以及用于预测的注意力机制.
- 通过使用三个试点碳交易区域的各种指标评估模型的准确性.
主要成果:
- 在CEEMDAN-Attention-RNN模型中,实现了低平均绝对百分比误差 (例如,上海1.8872%).
- 与其他碳价格预测模型相比,拟议的模型显示出更高的预测能力.
- 该模型已成功应用于上海,湖北和重庆的碳交易市场.
结论:
- CEEMDAN-Attention-RNN模型提供了一个非常准确的碳交易价格预测方法.
- 准确的碳价格预测对于为政府减排政策提供信息至关重要.
- 该模型考虑多个因素的能力提高了其实际适用性.