A Novel Dual-Path Interactive Attention Network for Multivariate Carbon Price Time Series Forecasting

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:炭素価格予測のための新しい深層学習アーキテクチャを提供し、時系列分解手法の改善に貢献する。

🏢実務担当者:炭素市場のトレーダーやリスク管理者は、本手法を活用して予測精度を向上させ、取引戦略やリスク管理に役立てることができる。

🏛政策担当者:炭素市場の設計や政策評価において、価格予測モデルの改善は市場の効率性向上につながるため、本手法は政策立案の参考となる。

正確な炭素価格予測は、炭素市場における取引判断、リスク管理、政策立案にとって極めて重要である。しかし、主流の分解-アンサンブルモデルには2つの重大な欠点がある。点単位のモデリングは長期的な時間依存性を捉えられず、分解されたトレンド成分と季節成分を独立にモデリングすると深刻な情報損失が生じる。これらの限界に対処するため、本論文は炭素価格時系列予測のための新しいDual-Path Interactive Attention Network（DPIANet）を提案する。その二重並列アーキテクチャは、Dual Interaction Attention（DIA）ブロックとDecomposition–Subsequence Interaction Attention（DSIA）ブロックから構成される。まず、DPIANetはパッチ単位の分割戦略を採用し、従来の点単位の分割ではアクセスできない局所的な時間的意味情報を抽出する。DIAブロックは、同一系列内の異なるパッチ間の時間依存性と、同一時間ステップ内の特徴間依存性を共同で捕捉する。並行して、DSIAブロックは分解されたトレンド部分系列と季節部分系列の間の相互作用特徴を抽出し、これらの特徴を元の部分系列と融合して表現を強化し、分解による情報損失を軽減する。二層の特徴選択法（PMIとXGBoost-SHAP）を採用し、主要な駆動要因を特定する。2014年から2020年を対象とした4つの代表的な中国地域炭素取引市場での実験により、DPIANetはMSEとMAEの点で最先端モデルよりも優れた予測性能を達成し、異なる市場特性にわたって競争力のある頑健性を示し、炭素市場の関係者に実践的な意思決定支援を提供することが示された。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Accurate carbon price forecasting is critical for trading decisions, risk management and policy formulation in carbon markets. However, mainstream decomposition-ensemble models suffer from two key drawbacks: point-wise modeling fails to capture long-term temporal dependencies, while independent modeling of decomposed trend and seasonal components leads to serious information loss. To address these limitations, this paper proposes a novel Dual-Path Interactive Attention Network (DPIANet) for carbon price time series forecasting, whose dual-parallel architecture consists of a Dual Interaction Attention (DIA) Block and a Decomposition–Subsequence Interaction Attention (DSIA) Block. First, DPIANet employs a patch-wise partitioning strategy to extract local temporal semantic information inaccessible to traditional point-wise segmentation. The DIA Block jointly captures temporal dependencies between different patches within the same sequence and inter-feature dependencies within the same time step. In parallel, the DSIA Block extracts interactive features between decomposed trend and seasonal subsequences, fusing these features with original subsequences to enhance representation and mitigate decomposition-induced information loss. A dual-layer feature selection method (PMI and XGBoost-SHAP) is adopted to identify key driving factors. Experiments on four representative Chinese regional carbon trading markets covering 2014-2020 show that DPIANet achieves superior prediction performance over state-of-the-art models in terms of MSE and MAE, with competitive robustness across different market characteristics, providing practical decision support for carbon market stakeholders.

• openalex https://doi.org/10.3390/math14111805first seen 2026-05-26 04:47:27 · last seen 2026-06-17 07:06:17