基于滚动时间窗的碳市场价格分解集成预测研究

提高碳市场价格预测准确性对于交易风险监测以及碳市场平稳发展具有重要价值。针对复杂的、非线性碳市场价格数据的短期预测误差偏大、分解过程易产生数据泄露问题,提出了基于滚动时间窗的SSA-SVR分解集成预测框架。首先,选取时间窗数据,继而借助奇异谱分析将时间窗内碳价序列分解重构为高、低频序列;然后,使用支持向量回归方法对高、低频序列分别进行预测;最后,加和集成预测结果,得到下一时刻的碳市场价格预测值。通过不断更新时间窗的数据内容,动态执行“分解-预测-集成”过程,实现碳市场价格的实时预测。研究结果表明,本文所提出框架表现出优异且稳定的预测性能,在碳市场价格预测研究中具有良好的适用性和有效性。     

基于改进型小波神经网络的油价预测

为了提高油价预测的精度,文章运用主成分分析(PCA)的方法对初始数据进行预处理,同时将小波分析与BP神经网络结合构建小波神经网络(WNN),由此得到PCA-WNN预测模型.数值实验的结果表明,相比于传统BP模型和PCA-BP模型,PCA-WNN模型的预测精度更高,稳定性更好,泛化能力更强,是一种更出众的油价预测方法.     

出口贸易隐含碳变化驱动因素分析模型及应用

出口贸易隐含碳排放是区域间气候变化谈判面临的重要问题。为了研究区域出口商品中隐含的碳排放及其增长的驱动因素,通过基于投入产出表的嵌套的结构分解分析(SDA)模型,测度能源消费结构等九个因素对出口贸易隐含碳变化的作用,并以江苏省为背景进行应用研究。结果表明:与1997—2002年相比较,江苏省在2002—2007年出口贸易隐含碳迅猛增长,出口结构变动、最终需求扩张及出口规模扩张是出口贸易隐含碳排放增长的主要因素,而能源使用效率的改善则是减少隐含碳排放的主要原因。