多源数据融合视角下基于可解释人工智能的中国碳价格预测模型研究
朱梦蕊
王明刚
南京师范大学数学科学学院,江苏南京 210023
摘要：准确预测碳价格对制定有效的气候变化政策、优化资源配置、促进低碳技术创新和经济转型具有重要意义.中国碳市场作为一个新兴市场,在政策设计、市场结构、数据基础等方面面临独特挑战,碳价格波动预测复杂性远高于成熟碳市场,且传统方法在平衡准确性和可解释性方面具有一定的局限性.为此,从多源数据融合角度出发,聚焦全国碳市场价格预测,提出纳入非结构化特征的可解释人工智能预测模型.具体来说,在传统预测因子的基础上,将公众关注度、政策不确定性以及网络拓扑指标等非结构化特征作为预测变量,全面挖掘影响碳价格的关键因素.评估和比较了各种结构的机器学习和深度学习算法,以探索最适合建模高维非线性碳价格数据的技术.最后,利用Shapely加性解释分析了各影响因素对全国碳市场碳价格预测的贡献.结果表明,加入政策不确定性以及网络拓扑信息等非结构化特征可以提高模型的预测精度,影响因素中原油价格的整体贡献度排名第一,4个政策不确定性指数均排名前六,其重要性超过了绝大多数传统的结构化预测因子.
关键词：碳价格非结构化特征可解释深度学习SHAP
分类号：F416.21(世界工业经济)
资助基金：国家自然科学基金(72243005)江苏省高等学校基础科学(自然科学)研究重大项目(24KJA110002)
论文发表日期：2025-06-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：14( 17-30 )
英文信息