gxceed
← 論文一覧に戻る

A Novel Dual-Path Interactive Attention Network for Multivariate Carbon Price Time Series Forecasting

多変量炭素価格時系列予測のための新しいデュアルパスインタラクティブアテンションネットワーク (AI 翻訳)

Lei Qiu, Jiao Peng

Mathematics📚 査読済 / ジャーナル2026-05-23#炭素価格Origin: CN
DOI: 10.3390/math14111805
原典: https://doi.org/10.3390/math14111805

🤖 gxceed AI 要約

日本語

本論文は、炭素価格予測のための新しいデュアルパスインタラクティブアテンションネットワーク（DPIANet）を提案する。従来の分解-集成モデルの問題点である長期依存の捉え漏れや分解による情報損失を、デュアルインタラクションアテンション（DIA）ブロックと分解・サブ系列インタラクションアテンション（DSIA）ブロックの並列構造により解決する。中国4地域の炭素取引市場データで実験し、最先端モデルより優れた予測精度を示した。

English

This paper proposes a novel Dual-Path Interactive Attention Network (DPIANet) for carbon price forecasting. It addresses limitations of traditional decomposition-ensemble models by jointly capturing temporal and inter-feature dependencies and extracting interactive features between trend and seasonal components. Experiments on four Chinese regional carbon markets (2014-2020) demonstrate superior predictive performance.

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

中国の炭素市場を対象としているが、提案手法は日本の炭素価格予測やGX関連の時系列分析にも応用可能。日本の炭素税やJ-クレジット制度下での価格形成メカニズム分析に役立つ可能性がある。

In the global GX context

This paper advances the global carbon pricing literature by introducing a deep learning architecture that mitigates information loss in decomposition-based forecasting. Its validation across multiple Chinese regional markets provides robust evidence for the method's applicability, offering insights for carbon market participants and regulators worldwide.

👥 読者別の含意

🔬研究者:炭素価格予測のための新しい深層学習アーキテクチャを提供し、時系列分解手法の改善に貢献する。

🏢実務担当者:炭素市場のトレーダーやリスク管理者は、本手法を活用して予測精度を向上させ、取引戦略やリスク管理に役立てることができる。

🏛政策担当者:炭素市場の設計や政策評価において、価格予測モデルの改善は市場の効率性向上につながるため、本手法は政策立案の参考となる。

📄 Abstract（原文）

Accurate carbon price forecasting is critical for trading decisions, risk management and policy formulation in carbon markets. However, mainstream decomposition-ensemble models suffer from two key drawbacks: point-wise modeling fails to capture long-term temporal dependencies, while independent modeling of decomposed trend and seasonal components leads to serious information loss. To address these limitations, this paper proposes a novel Dual-Path Interactive Attention Network (DPIANet) for carbon price time series forecasting, whose dual-parallel architecture consists of a Dual Interaction Attention (DIA) Block and a Decomposition–Subsequence Interaction Attention (DSIA) Block. First, DPIANet employs a patch-wise partitioning strategy to extract local temporal semantic information inaccessible to traditional point-wise segmentation. The DIA Block jointly captures temporal dependencies between different patches within the same sequence and inter-feature dependencies within the same time step. In parallel, the DSIA Block extracts interactive features between decomposed trend and seasonal subsequences, fusing these features with original subsequences to enhance representation and mitigate decomposition-induced information loss. A dual-layer feature selection method (PMI and XGBoost-SHAP) is adopted to identify key driving factors. Experiments on four representative Chinese regional carbon trading markets covering 2014-2020 show that DPIANet achieves superior prediction performance over state-of-the-art models in terms of MSE and MAE, with competitive robustness across different market characteristics, providing practical decision support for carbon market stakeholders.

🔗 Provenance — このレコードを発見したソース

🔔 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。