論文の概要: Carbon Emission Prediction in China Considering New Quality Productive Forces Using a Deep & Corss Learning Modeling Framework

• arxiv url: http://arxiv.org/abs/2510.05171v1
• Date: Sun, 05 Oct 2025 06:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.883111
• Title: Carbon Emission Prediction in China Considering New Quality Productive Forces Using a Deep & Corss Learning Modeling Framework
• Title（参考訳）: ディープ・アンド・コーズ・ラーニング・モデリング・フレームワークを用いた中国における新品質生産力を考慮した二酸化炭素排出量予測
• Authors: Haijin Xie, Gongquan Zhang,
• Abstract要約: 新しい品質生産力(NQPF)、デジタル経済の発展、人工知能(AI)技術は、持続可能な都市開発を促進するために欠かせないものとなっている。 本研究では,機能相互作用モデリングとアテンション機構を組み合わせたマルチヘッド・アテンション・ディープ・アンド・クロス・ネットワーク(MADCN)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: New quality productive forces (NQPF), digital economy advancement, and artificial intelligence (AI) technologies are becoming crucial for promoting sustainable urban development. This study proposes a Multi-head Attention Deep & Cross Network (MADCN) framework, combining feature interaction modeling and attention mechanisms, to predict urban carbon emissions and investigate the impacts of technological factors. The framework incorporates an interpretable learning phase using SHapley Additive exPlanations (SHAP) to assess the contributions of different features. A panel dataset covering 275 Chinese cities is utilized to test the MADCN model. Experimental results demonstrate that the MADCN model achieves superior predictive performance compared to traditional machine learning and deep learning baselines, with a Mean Squared Error (MSE) of 406,151.063, a Mean Absolute Error (MAE) of 612.304, and an R-squared value of 0.991 on the test set. SHAP analysis highlights that population, city size, urbanization rate, and GDP are among the most influential factors on carbon emissions, while NQPF, digital economy index, and AI technology level also show meaningful but relatively moderate effects. Advancing NQPF, strengthening the digital economy, and accelerating AI technology development can significantly contribute to reducing urban carbon emissions. Policymakers should prioritize integrating technological innovation into carbon reduction strategies, particularly by promoting intelligent infrastructure and enhancing digitalization across sectors, to effectively achieve dual-carbon goals.
• Abstract（参考訳）: 新しい品質生産力(NQPF)、デジタル経済の発展、人工知能(AI)技術は、持続可能な都市開発を促進するために欠かせないものとなっている。 本研究では,マルチヘッド・アテンション・ディープ・アンド・クロス・ネットワーク(MADCN, Multi-head Attention Deep & Cross Network)フレームワークを提案する。 このフレームワークは、SHAP(SHapley Additive ExPlanations)を使用して解釈可能な学習フェーズを組み込んで、異なる機能のコントリビューションを評価する。 275の中国都市をカバーするパネルデータセットを用いて、MADCNモデルをテストする。 実験結果から,MADCNモデルは従来の機械学習やディープラーニングのベースラインと比較して,平均平方誤差(MSE)が406,151.063,平均絶対誤差(MAE)が612.304,R2乗値が0.991,予測性能が優れていた。 SHAP分析は、人口、都市規模、都市化率、GDPが炭素排出量に最も影響を及ぼす要因であり、NQPF、デジタル経済指数、AI技術レベルもまた有意義だが比較的穏やかな効果を示していることを強調している。 NQPFの強化、デジタル経済の強化、AI技術の開発の加速は、都市部における二酸化炭素排出量の削減に大きく貢献する。 政策立案者は、特に知的インフラの促進とセクター間のデジタル化の強化により、二酸化炭素削減戦略への技術革新の統合を優先して、2つの目標を効果的に達成すべきである。

関連論文リスト

• Deep Graph Learning for Industrial Carbon Emission Analysis and Policy Impact [5.000188333305898]
  産業用CO排出量を分析し予測するためのグラフベースの新しいディープラーニングフレームワークDGLを提案する。 従来の回帰法やクラスタリング法とは異なり、我々の手法はグラフニューラルネットワーク(GNN)を用いて長距離パターンを学習する。 提案手法は, ベースライン深部モデルと比較して誤差を15%以上低減し, 予測性能に優れる。
  論文  参考訳（メタデータ） (2025-06-25T02:42:29Z)
• Role of AI Innovation, Clean Energy and Digital Economy towards Net Zero Emission in the United States: An ARDL Approach [0.0]
  本稿は,1990年から2022年までの米国における,AIイノベーション,GDP成長,再生可能エネルギー利用,デジタル経済,産業化がCO2排出量に与える影響について検討する。 その結果、AIの革新、再生可能エネルギー利用、デジタル経済はCO2排出量を削減し、GDPの拡大と工業化は生態系の被害を増大させる。
  論文  参考訳（メタデータ） (2025-03-24T16:32:24Z)
• Transforming the Hybrid Cloud for Emerging AI Workloads [82.21522417363666]
  このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。 提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。 この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
  論文  参考訳（メタデータ） (2024-11-20T11:57:43Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• Toward Sustainable GenAI using Generation Directives for Carbon-Friendly Large Language Model Inference [8.567865555551911]
  本稿では,ジェネレーティブ・Large Language Model (LLM) 推論サービスの炭素フットプリント削減を目的とした,革新的なフレームワークであるSproutを提案する。 提案手法は,生態系の持続可能性と高品質な生成結果の需要のバランスをとる。 Llama2およびグローバル電力グリッドデータを用いた実世界の評価において, 炭素排出量を40%以上削減できることを実証した。
  論文  参考訳（メタデータ） (2024-03-19T16:53:53Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。