基于深度交叉学习建模框架的中国碳排放预测：考虑新质生产力
机器学习
2025-10-08 v1 计算机与社会
摘要
新质生产力（NQPF）、数字经济的发展以及人工智能（AI）技术正在成为推动可持续城市发展的关键因素。本研究提出一种多头注意力深度交叉网络（MADCN）框架，结合特征交互建模和注意力机制，用于预测城市碳排放并检验技术因素的影响。该框架采用 SHapley Additive exPlanations（SHAP）方法进行可解释性学习，以评估不同特征的贡献。实验采用覆盖 275 个中国城市的面板数据检验 MADCN 模型。实验结果表明，MADCN 模型在测试集上实现了优于传统机器学习和深度学习基线的优异预测性能，均方误差（MSE）为 406,151.063，平均绝对误差（MAE）为 612.304，R 平方值为 0.991。SHAP 分析表明，人口、城市规模、城市化率和 GDP 是碳排放最具影响力的因素，而 NQPF、数字经济指数和 AI 技术水平也显示出有意义但相对适中的影响。发展新质生产力、加强数字经济、加速 AI 技术发展可显著促进城市碳排放减少。决策制定者应优先将技术创新纳入碳减排策略，特别是通过推广智能基础设施和跨部门数字化，有效实现双碳目标。
引用
@article{arxiv.2510.05171,
title = {Carbon Emission Prediction in China Considering New Quality Productive Forces Using a Deep & Corss Learning Modeling Framework},
author = {Haijin Xie and Gongquan Zhang},
journal= {arXiv preprint arXiv:2510.05171},
year = {2025}
}