深層学習を用いた温室効果ガス排出量の時系列予測

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper offers a comparative evaluation of LSTM and Transformer for GHG forecasting, including uncertainty quantification and robustness tests.

🏛政策担当者:The findings can inform the use of AI-driven forecasts for monitoring emission reduction targets and evaluating policy impacts.

温室効果ガス（GHG）排出は、依然として地球規模の気候変動の主要な要因であり、正確な予測は気候政策の評価と持続可能な開発目標の支援にとって極めて重要である。本研究では、EDGARデータセット（1970～2023年）を用いてPythonによる時系列分析を実施し、農業、建物、燃料採掘、産業燃焼、電力産業、プロセス、運輸、廃棄物を対象とするセクター別スコープを明示的に採用した。Long Short-Term Memory（LSTM）モデルを開発し、ローリング／拡張ウィンドウのバックテストにより評価した。また、予測の不確実性を定量化するためにMonte Carlo Dropout（MCD）を適用した。さらに、分布シフト下での一般化を評価するためにOut-of-distribution（OOD）テストを実施し、過学習を軽減するために学習率スケジューリングを伴う早期停止を採用した。LSTMは支配的な長期的な上昇傾向を捉える一方で、そのサンプル外性能はレジームチェンジやショックの下で制約され（テストRMSE = 1228.66、MAE = 991.35、R2=−1.0020）、ナイーブなベンチマークを下回った。ネストされたローリング起点の結果も、より長い予測期間において誤差が急速に増加することを示した。対照的に、Transformer仕様は過去5年間で性能を改善した（RMSE = 777.21、MAE = 663.39、R2=0.1989）。セクター別の知見は、2020年前後の短期的な減少が運輸およびエネルギー関連セクターに集中している一方で、農業および産業／プロセス関連の排出は比較的安定していることを示唆している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Greenhouse gas (GHG) emissions remain a primary driver of global climate change, and accurate forecasting is critical for evaluating climate policies and supporting sustainable development goals. This study conducts a time series analysis in Python using the EDGAR dataset for 1970–2023, explicitly adopting a sectoral scope that covers Agriculture, Buildings, Fuel Exploitation, Industrial Combustion, Power Industry, Processes, Transport, and Waste. Long Short-Term Memory (LSTM) models were developed and evaluated via rolling/expanding-window backtesting, while Monte Carlo Dropout (MCD) was applied to quantify predictive uncertainty. Out-of-distribution (OOD) tests were further used to assess generalization under distributional shifts, and early stopping with learning-rate scheduling was employed to mitigate overfitting. While the LSTM captures the dominant long-term upward trend, its out-of-sample performance is constrained under regime changes and shocks (Test RMSE = 1228.66; MAE = 991.35; R2=−1.0020) and it underperforms a naïve benchmark. Nested rolling-origin results also indicate rapidly increasing errors at longer horizons. In contrast, a Transformer specification improves performance over the last five years (RMSE = 777.21; MAE = 663.39; R2=0.1989). Sectoral findings suggest that short-term declines around 2020 are concentrated in transport and energy-related sectors, while agriculture and industrial/process-related emissions remain relatively stable.

• crossref https://doi.org/10.35378/gujs.1800123first seen 2026-07-25 06:26:27 · last seen 2026-08-07 05:55:30