基于深度学习的碳价预测混合框架：结构断点检测与信号去噪
机器学习
2025-11-21 v2
摘要
准确预测碳价对于能源市场决策、可持续能源规划以及有效脱碳战略至关重要。然而，由于频繁的政策干预和市场冲击导致结构断点和高频噪声，预测工作仍然具有挑战性。现有研究，包括最新的基线方法，试图纳入断点，但往往将去噪和建模视为独立过程，且缺乏对多种深度学习架构的系统评估，限制了鲁棒性和泛化能力。为此，本文提出一个综合性混合框架，集成结构断点检测（Bai-Perron、ICSS 和 PELT 算法）、小波信号去噪以及三种最新深度学习模型（LSTM、GRU 和 TCN）。使用 2007 年至 2024 年的欧盟允许证书（EUA）现货价格及外生特征（如能源价格和政策指标），构建 univariate 和 multivariate 数据集进行比较评估。实验结果表明，我们提出的 PELT-WT-TCN 模型在预测准确性上取得最佳效果，相对于最新基线模型（带小波和 LSTM 的断点）在 RMSE 上降低 22.35%，在 MAE 上降低 18.63%，相对于原生 LSTM（无分解）在 RMSE 上降低 70.55%，在 MAE 上降低 74.42%。这些发现凸显了将结构感知和多尺度分解集成到深度学习架构中以提升碳价预测及其他非平稳金融时间序列准确性和可解释性的价值。
引用
@article{arxiv.2511.04988,
title = {A Hybrid Deep Learning based Carbon Price Forecasting Framework with Structural Breakpoints Detection and Signal Denoising},
author = {Runsheng Ren and Jing Li and Yanxiu Li and Shixun Huang and Jun Shen and Wanqing Li and John Le and Sheng Wang},
journal= {arXiv preprint arXiv:2511.04988},
year = {2025}
}