从负责任人工智能视角预测能源价格相关性的机器学习方法

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》:Machine learning approaches to predicting energy price correlation: From a responsible AI perspective

【字体: 大 中 小 】 时间:2026年01月09日 来源:TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE 13.3

编辑推荐:

  本研究定位于能源市场中的负责任人工智能(Responsible AI)实践,能源市场表现出固有的波动性和复杂性。研究人员整合经典和现代机器学习技术以增强能源价格相关性预测。采用主成分分析(Principal Component Analysis, PCA)进行

  
本研究定位于能源市场中的负责任人工智能(Responsible AI)实践,能源市场表现出固有的波动性和复杂性。研究人员整合经典和现代机器学习技术以增强能源价格相关性预测。采用主成分分析(Principal Component Analysis, PCA)进行降维,以识别驱动能源价格相关性的潜在因素,利用其可解释性作为关键分析优势。然后引入长短期记忆网络(Long Short-Term Memory, LSTM)用于能源价格及其相互相关性的时间序列建模。通过受控模拟实验,研究人员实证比较了基于PCA和LSTM的方法在预测能源价格协同运动方面的表现。虽然PCA以低计算成本提供了对相关性结构的透明洞察,但LSTM通过捕捉非线性时间依赖性实现了更高的预测精度(MES降低8.7%,MAE降低11.4%)。分析突出了PCA的可解释性与深度学习精密度之间的治理-性能权衡,表明模型选择应与机构能力、监管要求和部署约束相一致。这些发现对技术驱动的循环经济转型具有重要意义,展示了改进的预测建模如何能够增强能源市场中可再生能源的整合和能源效率。
论文解读文章

本研究聚焦于能源价格相关性预测中负责任人工智能(Responsible AI)的实践。能源市场固有的波动性和复杂性使得传统预测方法难以有效捕捉动态相关性。现有研究多关注单序列价格预测,忽略多变量间的相关结构,且在模型选择上缺乏对可解释性、审计性与预测精度之间权衡的系统性考察。此外,负责任AI原则要求预测系统兼具透明度与可靠性,但深度学习模型常因“黑箱”特性而难以满足监管需求。因此,研究人员旨在通过比较主成分分析(PCA)与长短期记忆网络(LSTM)两种代表性AI方法,揭示其在能源价格相关性预测中的治理-性能权衡,为负责任AI在能源领域的实际部署提供理论依据。论文发表在《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》。

作者为开展研究用到的主要关键技术方法包括:采用主成分分析(PCA)进行降维,提取解释性强的潜在因子;使用长短期记忆网络(LSTM)对时间序列进行非线性建模;构建包含趋势、季节性和非线性的合成数据集,以受控方式嵌入已知相关结构;通过均方误差(MSE)、平均绝对误差(MAE)、方向准确率及Diebold-Mariano检验评估模型性能;并基于训练-测试集划分(70/30)进行公平比较。

研究结果如下:
**5. Results**
通过受控合成实验,研究人员比较了基于PCA的回归模型与LSTM在预测三元能源价格相关性上的表现。结果显示:LSTM在数值预测精度上优于PCA,其MSE约低8.7%,MAE约低11.4%,方向准确率更高,且Diebold-Mariano检验表明差异在5%水平上统计显著(p=0.034)。PCA仅需不到0.5秒训练时间,且能稳定提取主导相关结构(前两个主成分解释超过90%方差),但受限于线性假设,在价格急剧变化时预测过于平滑。LSTM通过处理所有序列,能捕捉非线性关系(如序列B对序列A的放大效应),但对序列C的振荡有时敏感。两者均保持毫秒级推理延迟。PCA在捕捉广域趋势时稳健,而LSTM在动态转折处更准确。

讨论部分总结了三个研究问题的回答:关于RQ1(可解释性与预测性AI的比较),LSTM在精度上胜出,但PCA在可解释性和审计性上占优,两者构成互补而非替代关系;关于RQ2(可解释性与计算资源对监管与运营应用的适宜性),PCA凭借低计算成本和透明结构适合监管与战略监测,LSTM高精度适用于数据基础设施充足的运营场景;关于RQ3(混合PCA→LSTM架构能否协调可解释性与预测性能),研究认为这种混合设计在理论上是可行的,能兼顾治理与运营效能。研究还提出,模型选择应基于机构能力、数据条件与治理目标,而非单一精度指标。

研究结论部分翻译如下:本研究通过受控合成实验,比较了用于预测多变量能源价格相关性驱动运动的两种AI方法:用于可解释相关性建模的PCA与用于非线性序列学习的LSTM。LSTM实现了更高的预测精度,而PCA则提供了可审计性和稳定的因子解释。与大多数预测单一价格水平的研究不同,本工作明确聚焦于预测相关性依赖的价格动态,允许在同一实验条件下直接比较两种根本不同的建模理念。结果表明LSTM在捕捉非线性跳跃和复杂时间依赖性方面表现更佳,而PCA在广域趋势上提供稳健性能且计算成本更低、透明度更高。因此,模型选择不应仅由精度驱动,而应取决于预测系统部署的机构背景。核心意义在于LSTM的预测优势取决于组织能力:高质量预测需要强大的数据治理、数字基础设施和领域专长。在条件薄弱的设定中(常见于新兴市场),LSTM的优势难以实现,使PCA成为更可靠、机构上更合适的解决方案。这种能力-匹配框架为负责任AI提供了实用指南:高级AI系统只有在与充分组织准备相匹配时才能产生价值。总体而言,PCA在监管和审计约束环境中更优,而LSTM更适合需要高精度相关性预测的运营场景。将AI模型选择与机构能力相匹配可确保负责任且有效的部署。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号