一种基于点区间值建模的新型多目标集成碳价预测系统

《Neurocomputing》:A novel multi-objective ensemble carbon price forecasting system based on point-interval-valued modeling

【字体: 大 中 小 】 时间:2026年05月03日 来源:Neurocomputing 6.5

编辑推荐:

  **龙俊|袁梅兰|吕丽** **广西大学商学院,南宁530003,中国** **摘要** 准确的碳价预测使政府能够制定出兼顾经济增长与环境保护的政策。以往的大多数研究依赖于对单值或区间值碳价的点预测或区间预测方法,缺乏基于更全面数据类型的预测方法。因此,本研究提出了

  **龙俊|袁梅兰|吕丽**
**广西大学商学院,南宁530003,中国**

**摘要**
准确的碳价预测使政府能够制定出兼顾经济增长与环境保护的政策。以往的大多数研究依赖于对单值或区间值碳价的点预测或区间预测方法,缺乏基于更全面数据类型的预测方法。因此,本研究提出了一种基于点-区间值建模的新型多目标集成碳价预测系统。该系统包括三个模块:数据预处理模块、点-区间值预测模块和多目标集成模块。首先,采用多变量变分模态分解(MVMD)技术来消除原始碳价数据中的噪声。然后,使用四种人工智能模型作为点-区间值碳价预测的子模型。最后,开发了一种新型多目标集成模块,将多个子模型的点-区间值预测结果结合起来,得出最终的碳价预测。所提出的系统在广州和湖北碳市场的点-区间值平均绝对百分比误差分别为0.9490%和0.9165%;这为碳市场监管、风险管理和政策设计提供了实证支持,从而促进了碳定价机制更高效、更稳定的运行。

**引言**
首先,本节将介绍碳价预测的研究背景并回顾相关文献。随后,简要概述本研究的主要贡献和整体结构。
全球温室气体排放对环境、社会和经济的影响日益明显。从1990年到2021年,全球排放量持续增加,凸显了减少污染的必要性。在这种情况下,碳市场变得尤为重要。碳市场通过其交易机制,可以高效分配资源,激活社会资本,并促进减排目标的实现[1]。碳交易作为一种市场导向的政策工具,通过促进碳排放配额的交易来推动减排[2]。碳价是这一系统的核心,为市场参与者提供决策依据,并体现了政府干预与市场动态之间的相互作用[3]。此外,碳价的稳定性对市场的有效运行至关重要,影响着国家经济安全和气候政策实施的效果[4]。
准确的碳价预测可以帮助政策制定者和市场参与者制定战略规划,确保碳市场的稳定和高效运行。科学的预测和分析可以为应对气候变化和推动向低碳经济转型提供有力支持,从而实现全球环境保护和可持续发展的目标[5]。然而,碳价具有波动性和不稳定性,使得预测未来走势变得困难。用于预测碳价的单值或区间值模型无法应对这一挑战。为此,设计了一种基于点-区间值建模的新的碳价预测系统。

**碳价预测模型分类**
碳价预测模型可以分为四类:统计模型、人工智能模型、混合模型和集成模型。
统计模型利用历史数据来估计未来趋势。常见的统计方法包括广义自回归条件异方差(GARCH)和自回归积分移动平均(ARIMA)。例如,Sheng等人[6]使用ARIMA模型为碳金融市场创建了碳价预测模型,并进行了实证分析,研究了欧盟(EU)配额期货价格与认证减排量(CER)期货价格之间的相关性。Byun等人[7]使用GARCH模型预测碳价,证明了其优于k最近邻模型的性能。尽管统计预测模型在预测碳价方面非常有用,但它们通常假设数据之间存在线性关系[8]。当面对实际碳价中复杂的非线性交互作用时,统计模型的表现往往不佳,从而限制了其在碳价预测中的实用性。
人工智能模型已被应用于碳价预测,以弥补统计模型在处理复杂非线性交互作用方面的不足。例如,反向传播神经网络(BPNN)、极端学习机(ELM)和卷积神经网络(CNN)能够有效处理复杂的非线性交互作用,从而提高预测精度[9]。例如,Xu等人[10]使用ELM模型预测碳价,并取得了较好的预测结果。Li等人[11]构建了一个BPNN模型,用于预测不同情景下的欧盟碳期货价格趋势,为中国碳交易市场提供了参考。尽管机器学习模型在碳价预测中得到了广泛应用,但它们也存在一些局限性,包括对训练数据量的依赖、较高的计算资源需求、模型可解释性不足以及对参数配置的敏感性[12][13]。
混合模型结合了机器学习和其他方法的优点,以提高碳价预测的精度和可靠性。例如,将机器学习预测模型与数据降噪技术[14][15]和优化算法[16][17]等结合使用,以提高预测的准确性和稳健性。例如,Zhou等人[18]将数据分解技术与长短期记忆模型结合,用于预测广州碳排放交易计划的碳价。研究结果表明,当结合降噪技术时,预测模型的稳定性和可靠性得到了提升。Qin等人[19]引入了一种混合模型,将数据准备算法与机器学习模型相结合。对广东和湖北碳市场的实证评估表明,他们的方法优于其他常用的预测方法。Zhao等人[20]提出了基于优化算法和CNN的混合碳价预测模型,证明混合模型在精度方面优于传统方法。然而,混合模型预测的准确性在很大程度上取决于单个预测模型的有效性。由于时间序列数据的复杂结构和模式,单个预测模型在有效捕捉这些数据时经常面临挑战[21],这可能会影响最终的预测结果。
集成模型通过结合多个预测模型的结果来克服混合模型的局限性并提高预测性能[22][23]。例如,Huang等人[24]使用统计和机器学习模型预测碳价,然后对子模型的预测结果进行集成。Wang等人[25]使用集成预测模型提高了碳价预测的可靠性。Yang等人[26]提出了一种结合优化后的BPNN和ELM模型的碳价预测模型,显著提高了预测精度。Zhu等人[27]使用统计和机器学习模型预测不同频率的碳价,并通过非线性集成技术汇总了所有组分的预测值。Hao等人[28]提出了一种使用区间值碳价的新型集成预测系统,该系统在预测碳价方面表现良好。集成模型通过整合各种独立模型的预测结果,可以显著提高预测精度[29][30]。不同的模型在捕捉数据特性方面具有不同的优势[31],集成模型结合了这些优势,弥补了单个预测模型的局限性,从而显著提高了最终的预测结果。
尽管集成模型可以提高预测精度,但碳定价的不确定性受到多种数据来源的影响,使得准确预测碳价变得复杂[32]。传统的点预测方法仅产生一个单一的预测值,忽略了时间序列的固有变异性以及区间预测相关的不确定性[33][34]。相比之下,区间预测通过提供一组预测值来显示预期结果的变异范围,使决策者能够更全面地了解市场不确定性,从而做出更可靠的决策[35]。例如,Lou等人[36]提出了一种基于加权区间联合二次支持向量回归的文本驱动碳价区间预测方法,并通过实证分析验证了其在区间碳价预测中的有效性。Cui等人[37]提出了一种点-区间碳价预测模型,结合了数据预处理、基于深度学习的集成预测和基于熵的加权方法,在碳市场和能源价格预测方面显著优于传统的LSTM模型,并为决策提供了更多信息。然而,大多数区间预测基于单值或区间值碳价序列,忽略了点-区间值碳价的重要性,导致预测结果不理想。虽然区间值序列可以提供更多关于数据波动的信息,但在实际应用中并未捕捉到点预测的具体信息,这不利于决策者的分析。例如,Hao等人[38]提出了一种基于多因素智能识别的区间值碳价集成预测系统,通过整合多个机器学习模型提高了预测精度。Wang等人[39]提出了一种基于双变量变分模态分解和动态极端学习机-自回归条件区间模型的动态区间值预测框架,实证结果证实了其优越的性能和所选变量的有效性。

**本文提出的新系统**
为了填补这一空白,本文提出了一种点-区间值时间序列预测模型,该模型不仅充分考虑了点值序列的特点,还通过区间值序列增加了点值序列的波动范围,使信息表达更加丰富和灵活,从而提高了预测的准确性。相关研究的综述见表1;详细可视化结果见图1。
本文建立了一种新的碳价预测系统,认可了点-区间值数据的重要性。该系统包括数据预处理模块、点-区间值预测模块和多目标集成模块。为了提高预测模型的准确性和稳定性,应用MVMD技术对点-区间值碳价序列进行预处理,去除数据中的噪声和异常值。随后,选择四种人工智能模型进行碳价预测,并使用六个点-区间值误差评估指标来评估它们的预测效果。此外,通过多目标集成模块对每个基础模型的预测结果进行集成,以提高预测性能。
本研究的主要创新和贡献如下:
(1) 提出了一种新的点-区间值碳价预测模型。该系统包括三个模块:数据预处理、点-区间值预测和多目标集成。具体而言,数据预处理提高了数据质量,点-区间值预测提供了关于碳价的更全面信息。
(2) 设计了有效的点-区间值数据预处理模块。使用MVMD技术减少点-区间值数据中的噪声。更准确地说,MVMD方法将点-区间值时间序列分解为一组内在模态函数(IMFs),然后消除噪声成分,将剩余成分组合起来得到降噪后的点-区间值碳价。
(3) 提出了点-区间值碳价预测的新视角。点-区间值碳价可以提供更广泛的价格波动范围,而不仅仅是某个时刻的单值或区间值价格数据。这种方法有效降低了碳市场决策相关的风险,对能源生产和碳交易应用至关重要。通过提供更广泛的市场波动信息,点-区间值预测可以更好地捕捉市场动态,提高预测的可靠性和实用性。
(4) 提出了有效的多目标优化算法。本研究使用四种机器学习模型预测点-区间值碳价,然后使用多目标Coati优化算法(MOCOA)对子模型的预测结果进行集成,得到最终预测结果。实验结果表明,集成模块显著提高了预测精度。

**本文的后续部分安排如下:**
第2节阐述所使用的方法论。第3节全面概述研究框架。第4节进行实验模拟。第5节详细讨论前面的内容。第6节总结全文。

**点-区间值时间序列**
点-区间值时间序列通过在每个时间步中同时包含点值和区间值观测值,扩展了传统时间序列的功能。与仅关注捕捉上下界动态变化的区间值时间序列不同,点-区间值时间序列在每个时间点同时包含一个点值和一个相应的区间值。点值特征表示变量的中心趋势。

**所提出的碳价预测系统框架**
所提出系统的具体流程图如图4所示。本研究考虑了来自广州和湖北的两个碳市场中的点区间值碳价格。生成的点区间值时间序列被分为训练集、验证集和测试集,其比例为20:4:1,分别用、、表示。

模块一:数据预处理
数据预处理是一种可以通过改进数据质量来提高预测模型准确性的技术。

实验分析
进行了四个比较实验来验证所提出系统的有效性。这些实验的目的是在各种设置下评估系统的性能,并与其他方法进行比较,以展示其在准确性、鲁棒性和效率方面的优势。我们实验中使用的实现代码可以在https://github.com/maybe-collab/carbon-price-forecasting-system.git公开获取。

Diebold-Mariano (DM) 测试
DM测试是一种常用的统计技术,用于确定两个竞争模型之间的预测准确性是否存在统计学上的显著差异[53]。它通过评估两个模型产生的预测偏差来实现这一点。在DM测试中,损失差异定义为两个模型在时间点上的预测误差的平方差,其中分别代表模型1和模型2在时间点的预测误差。

结论
准确的碳价格预测可以提高市场透明度,使市场参与者更好地理解碳市场的动态和未来趋势,从而做出更明智的决策。本文提出了一种新的碳价格预测系统。该系统的目标是通过点区间值建模来提高碳价格预测的准确性和稳定性。主要结论如下:
(1) 点区间值预测模块

CRediT作者贡献声明
龙军:撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、方法论。
袁梅兰:撰写——审稿与编辑、可视化、验证、调查。
李璐:撰写——审稿与编辑、方法论、资金获取、正式分析、数据整理。

利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢
本工作得到了广西研究生教育创新项目(NO.JGY2024353, NO.JGY2024028)的支持。
龙军于2025年在中国南宁的广西大学获得数学硕士学位,目前正在广西大学商学院攻读工商管理博士学位。他的研究兴趣包括大数据和人工智能理论与算法、优化理论与方法以及客户科学。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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