← 論文一覧に戻る

Research on Carbon Emission Trading Price Predictions with the ICEEMDAN-CNN-LSTM Method

ICEEMDAN-CNN-LSTM法を用いた炭素排出権取引価格予測の研究 (AI 翻訳)

Jiancheng Wang, P. Guo, Peng Hao, Dan Wang

Sustainability📚 査読済 / ジャーナル2026-05-09#炭素価格Origin: CN
DOI: 10.3390/su18104738
原典: https://doi.org/10.3390/su18104738

🤖 gxceed AI 要約

日本語

本研究は、炭素排出権取引価格の予測精度向上を目的に、ICEEMDAN-CNN-LSTMモデルを提案。湖北省の炭素市場データを用いて評価し、LSTMやCNN-LSTMと比較してMAEで59.1%改善。分解・抽出・適合の枠組みで非定常な価格動態を効果的に捉え、炭素市場安定化と排出削減行動の促進に貢献する。

English

This paper proposes a hybrid ICEEMDAN-CNN-LSTM model for carbon emission trading price prediction. Using data from Hubei carbon market, the model outperforms LSTM and CNN-LSTM benchmarks with MAE reduction of 59.1%. The decomposition-extraction-fitting framework effectively handles non-stationary and noisy carbon price dynamics, offering a reliable tool for carbon market stabilization.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本では東京都のキャップ＆トレードやJ-クレジット市場があるが、本手法は炭素価格予測の精度向上に寄与し、企業の排出削減投資やリスク管理に応用可能。ただし、データは中国市場に基づくため、日本の市場特性を考慮した調整が必要。

In the global GX context

Carbon price forecasting is crucial for market participants and policymakers. This hybrid model demonstrates significant improvements in prediction accuracy, which can enhance market efficiency and support the global low-carbon transition. The methodology can be adapted to other carbon markets.

👥 読者別の含意

🔬研究者:Methodological contribution for time series forecasting in carbon markets, particularly the combination of ICEEMDAN with CNN-LSTM.

🏢実務担当者:Can be used for carbon price risk assessment and trading strategy development in carbon markets.

🏛政策担当者:Provides insights for monitoring carbon market stability and evaluating the effectiveness of carbon pricing mechanisms.

📄 抄録（日本語訳）

世界的な持続可能性と低炭素発展を背景に、炭素排出権取引価格は炭素削減とグリーン経済調整の重要なシグナルとして機能する。しかし、それらは割当政策、エネルギー市場、マクロ経済の影響を受け、顕著な非定常性、高ノイズ、非線形ダイナミクスを示し、従来の予測モデルに課題を突きつけている。本研究は、ハイブリッドICEEMDAN-CNN-LSTMモデルを提案することで、炭素価格予測精度の向上を目指す。Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise（ICEEMDAN）法は、元の炭素価格系列を適応的に分解し、モード混合とノイズ干渉を抑制して、安定したIntrinsic Mode Function（IMF）成分を生成する。各IMFはその後CNN-LSTMで処理され、Convolutional Neural Network（CNN）が局所的特徴を抽出し、Long Short-Term Memory（LSTM）が長短期的依存関係を捕捉し、最終結果は線形結合によって得られる。本研究は、湖北省炭素排出権取引市場の過去の終値と複数の経済指標を入力として使用する。モデル性能はLSTMおよびCNN-LSTMベンチマークと比較評価される。結果は、提案モデルがベンチマークを大幅に上回り、テストセットのMAEが1.140元を達成し、LSTMおよびCNN-LSTMと比較してそれぞれ59.1%および65.2%の削減を示し、RMSEはそれぞれ57.2%および62.9%削減されることを示している。同時に、提案モデルは異なるデータ分割比率の下でも強いロバスト性を維持する。「分解–抽出–適合」の枠組みを通じて、提案モデルは複雑な炭素価格ダイナミクスを効果的に処理し、炭素市場の安定化、排出削減行動の誘導、そして世界的な持続可能性と低炭素移行の推進に役立つ信頼性の高い予測ツールを提供する。

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。

📄 Abstract（原文）

Against the backdrop of worldwide sustainability and low-carbon development, carbon emission trading prices serve as an important signal for carbon reduction and green economic regulation. However, they are influenced by quota policies, energy markets, and macroeconomics, and exhibit pronounced non-stationary, high-noise, and nonlinear dynamics that challenge traditional forecasting models. This research aims to improve carbon price prediction accuracy by proposing a hybrid ICEEMDAN-CNN-LSTM model. The Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN) method adaptively decomposes the original carbon price series, suppressing mode aliasing and noise interference, and producing stable Intrinsic Mode Function (IMF) components; each IMF is then processed by CNN-LSTM, where the Convolutional Neural Network (CNN) extracts local features and the Long Short-Term Memory (LSTM) captures long short-term dependencies, with the final results obtained by linear combination. This research uses historical closing prices of the Hubei carbon emission trading market with multiple economic indicators as inputs. Model performance is evaluated against LSTM and CNN-LSTM benchmarks. The results show that the proposed model significantly outperforms benchmarks, achieving a test-set MAE of 1.140 yuan, representing reductions of 59.1% and 65.2% compared to LSTM and CNN-LSTM, respectively, and the RMSE is reduced by 57.2% and 62.9%, respectively. At the same time, the proposed model maintains strong robustness under different data splitting ratios. Through the “decomposition–extraction–fitting” framework, the proposed model effectively handles complex carbon price dynamics, offering a reliable forecasting tool that helps stabilize carbon markets, guide emission–reduction behaviors, and advance global sustainability and low-carbon transition.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。