スマートエネルギーシステムにおけるマルチスケール炭素価格予測のための統合分解・表現学習フレームワーク
An integrated decomposition—Representation learning framework for multi-scale carbon price forecasting in smart energy systems (原題)
Ouyang Mutian, J. Joshua Thomas, Ugo Fiore, Gomesh Nair, Maria Anu V, Yuan Meng
🤖 gxceed AI 要約
日本語
本研究はCEEMDAN分解、因果マスク付きTransformer、XGBoostを統合したDRIフレームワークを提案し、炭素価格の多スケール変動を予測する。厳密に因果的なウォークフォワード検証でMAE0.6583、R²0.7470を達成し、分解のみ・単体モデルのベンチマークを一貫して上回った。高ボラティリティ期に予測改善が顕著で、炭素市場モニタリングや政策評価への活用が期待される。
English
This study proposes a Decomposition-Representation-Integration (DRI) framework combining CEEMDAN, a causal masked Transformer, and XGBoost to forecast volatile, non-stationary carbon prices. Under a strictly causal walk-forward protocol it achieves MAE 0.6583 and out-of-sample R² 0.7470, consistently outperforming decomposition-only and standalone benchmarks with Diebold-Mariano statistical support. Gains are most visible during high-volatility periods, supporting carbon-market monitoring and policy assessment.
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-ETSや炭素クレジット市場の整備が進み、炭素価格の予測精度は企業の内部炭素価格設定や投資判断に直結する。本手法は東証カーボン・クレジット市場など国内市場の価格分析にも応用可能で、SSBJ開示におけるシナリオ分析の精緻化に寄与しうる。
In the global GX context
As carbon markets expand under EU ETS, CBAM, and Article 6, reliable price forecasting underpins transition-finance risk models and ISSB/TCFD scenario analysis. The causal, leakage-free validation protocol offers a methodological benchmark for ML-based climate-finance forecasting that global disclosure scholarship can adopt.
👥 読者別の含意
🔬研究者:因果的検証プロトコルと分解・表現学習の統合は、気候金融時系列予測の手法比較研究に有用なベンチマークを提供する。
🏢実務担当者:炭素価格予測の精度向上は内部炭素価格設定やGX投資の感度分析、シナリオ策定に活用できる。
🏛政策担当者:炭素市場の価格モニタリングと政策評価のための予測ツールとして、ETS設計や市場安定化措置の検討に示唆を与える。
📄 Abstract（原文）
Reliable carbon price forecasts support market monitoring, policy assessment, and operational planning in smart energy systems. Yet carbon prices are volatile, non-stationary, and driven by interacting regulatory, energy, commodity, and financial conditions. This study proposes an integrated Decomposition-Representation-Integration (DRI) framework that combines complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN), a lightweight decoder-only causal Transformer, and XGBoost regression. CEEMDAN separates multi-scale dynamics; causal masked self-attention jointly reconstructs cross-scale dependencies without access to future observations; and XGBoost integrates the learned representation with exogenous drivers. The framework is evaluated using a strictly causal five-fold walk-forward protocol in which preprocessing, decomposition, validation, tuning, and model fitting are confined to each training window. Its CEEMDAN-CausalTransformer-XGBoost implementation achieves a minimum MAE of 0.6583, RMSE of 0.8071, and out-of-sample 𝑅 2 of 0.7470. It consistently outperforms decomposition-only and standalone benchmarks across five tuning strategies, while Diebold-Mariano tests provide statistical evidence of improved predictive accuracy over key baselines. Prediction-path analysis suggests that gains are more visible during high-volatility periods. These results indicate that reconstructing cross-scale information improves carbon-market monitoring and provides decision support for smart energy system operators, market participants, and policymakers.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1016/j.nxener.2026.101165first seen 2026-11-07 05:10:06
🔔 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。