面向工业碳排放分析与政策影响的深度图学习

工业碳排放是气候变化的主要驱动因素，但由于因素间的多重共线性以及跨部门和跨时间的复杂相互依赖关系，对这些排放进行建模具有挑战性。我们提出了一种新颖的基于图的深度学习框架 DGL，用于分析和预测工业 CO₂ 排放，解决高特征相关性并捕捉工业-时间相互依赖关系。与传统的回归或聚类方法不同，我们的方法利用带有注意力机制的图神经网络（GNN）来建模行业（或地区）之间的关系，并使用时间变换器来学习长程模式。我们在源自 EDGAR v8.0 的公共全球工业排放数据集上评估了我们的框架，该数据集涵盖多个国家和部门。所提出的模型实现了优越的预测性能——与基线深度模型相比误差降低超过 15%——同时通过注意力权重和因果分析保持了可解释性。我们相信我们是首个通过结构化编码特征关系来解决多重共线性的图-时间架构，并结合因果推断来识别排放的真正驱动因素，从而提高了透明度和公平性。我们还展示了政策相关性，说明了模型见解如何指导与可持续发展目标相符的特定行业脱碳战略。基于上述内容，我们展示了高排放“热点”，并提出了公平的干预计划，说明了最先进的 AI 图学习在推进气候行动方面的潜力，为政策制定者和行业利益相关者实现碳减排目标提供了强大工具。