自己分解機構を備えたTransformerベースの炭素価格予測モデル
A transformer-based model for carbon price forecasting with self-decomposition (原題)
Jia Ding, Maolin Wang, Junyang Jin, Jorge Gonçalves
🤖 gxceed AI 要約
日本語
本研究は、炭素価格の非定常・非線形性に対応するため、時空間アテンション、自己分解機構、PSOによるハイパーパラメータ最適化を組み込んだTransformerベースのエンドツーエンド深層学習モデルを提案する。中国ETS（湖北・広東・北京）の実データで検証し、日次予測のMAPEが3.26%、3.71%、4.83%と最先端モデルを上回る精度を達成した。炭素価格予測の精度向上は、生産・運用・投資の意思決定に実用的な示唆を与える。
English
This study proposes an adaptive end-to-end transformer-based deep learning model for carbon price forecasting, integrating spatio-temporal attention, a self-decomposition mechanism, and Particle Swarm Optimization for hyperparameter tuning. Tested on China's ETS data (Hubei, Guangdong, Beijing), it achieves the lowest daily MAPE of 3.26%, 3.71%, and 4.83%, outperforming state-of-the-art models in one-step and multi-step forecasting. Improved carbon price prediction offers practical insights for production, operations, and investment decisions.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本ではGXリーグや炭素価格制度の議論が進む中、炭素価格の予測精度向上は企業の内部炭素価格設定や投資判断に資する。中国ETSの事例は、日本が将来導入を検討する炭素市場の設計・運用に示唆を与える。
In the global GX context
As global carbon markets expand under Article 6 and national ETS schemes, accurate carbon price forecasting supports transition finance and risk management. This AI-driven approach adds to the growing literature on machine learning for climate finance, relevant to ISSB and TCFD scenario analysis.
👥 読者別の含意
🔬研究者:炭素価格予測におけるTransformerと自己分解機構の有効性を示す実証研究として参考になる。
🏢実務担当者:炭素価格の予測精度向上により、内部炭素価格設定や排出権取引戦略の意思決定に活用できる。
🏛政策担当者:炭素市場の価格安定性や制度設計の評価に、予測モデルの活用可能性を示唆する。
📄 Abstract（原文）
Carbon price forecasting is crucial for carbon emission trading in mitigating global warming, providing practical insights for decision-making in production, operations, and investments. However, modeling the non-stationary and nonlinear nature of carbon pricing poses a formidable challenge for conventional statistical approaches, necessitating sophisticated artificial feature engineering within the framework of machine learning. To address these challenges, this study introduces an adaptive end-to-end transformer-based deep learning model for accurately predicting carbon prices. The proposed method incorporates three innovative elements to enhance feature extraction ability and training robustness: (1) the spatio-temporal attention mechanism, capturing both time-dependent and time-independent features; (2) the self-decomposition mechanism, enabling adaptive and effective preprocessing; (3) the utilization of the Particle Swarm Optimization algorithm for hyperparameter optimization. Empirical analysis using carbon price data from China’s Emissions Trading System (ETS) demonstrates that the proposed method outperforms state-of-the-art forecasting models in both one-step-ahead and multi-step-ahead prediction scenarios. It achieves the lowest Mean Absolute Percentage Error (MAPE) of 3.26%, 3.71%, and 4.83% in daily forecasting for Hubei, Guangdong, and Beijing ETS, respectively.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://www.repository.cam.ac.uk/bitstreams/e1e1348b-33f3-48a2-9ec4-157144491215/downloadfirst seen 2026-10-05 05:45:25 · last seen 2026-10-06 05:20:29
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。