論文の概要: Carbon Price Forecasting with Structural Breaks: A Comparative Study of Deep Learning Models

• arxiv url: http://arxiv.org/abs/2511.04988v1
• Date: Fri, 07 Nov 2025 05:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.683584
• Title: Carbon Price Forecasting with Structural Breaks: A Comparative Study of Deep Learning Models
• Title（参考訳）: 構造破壊を伴う炭素価格予測:ディープラーニングモデルの比較検討
• Authors: Runsheng Ren, Jing Li, Yanxiu Li, Shixun Huang, Jun Shen, Wanqing Li, John Le, Sheng Wang,
• Abstract要約: 炭素価格の正確な予測は、情報的エネルギー市場決定に不可欠である。 既存の研究はブレークポイントを取り入れようと試みてきたが、しばしば個別のプロセスとしてデノベーションとモデリングを扱う。 本稿では,構造破壊検出(Bai-Perron, ICSS, PELTアルゴリズム),ウェーブレット信号の復調,最先端の3つのディープラーニングモデルを統合した包括的ハイブリッド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）: 8.59635419237389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately forecasting carbon prices is essential for informed energy market decision-making, guiding sustainable energy planning, and supporting effective decarbonization strategies. However, it remains challenging due to structural breaks and high-frequency noise caused by frequent policy interventions and market shocks. Existing studies, including the most recent baseline approaches, have attempted to incorporate breakpoints but often treat denoising and modeling as separate processes and lack systematic evaluation across advanced deep learning architectures, limiting the robustness and the generalization capability. To address these gaps, this paper proposes a comprehensive hybrid framework that integrates structural break detection (Bai-Perron, ICSS, and PELT algorithms), wavelet signal denoising, and three state-of-the-art deep learning models (LSTM, GRU, and TCN). Using European Union Allowance (EUA) spot prices from 2007 to 2024 and exogenous features such as energy prices and policy indicators, the framework constructs univariate and multivariate datasets for comparative evaluation. Experimental results demonstrate that our proposed PELT-WT-TCN achieves the highest prediction accuracy, reducing forecasting errors by 22.35% in RMSE and 18.63% in MAE compared to the state-of-the-art baseline model (Breakpoints with Wavelet and LSTM), and by 70.55% in RMSE and 74.42% in MAE compared to the original LSTM without decomposition from the same baseline study. These findings underscore the value of integrating structural awareness and multiscale decomposition into deep learning architectures to enhance accuracy and interpretability in carbon price forecasting and other nonstationary financial time series.
• Abstract（参考訳）: 炭素価格の正確な予測は、情報的エネルギー市場決定、持続可能なエネルギー計画の指針、効果的な脱炭戦略の支援に不可欠である。 しかし、頻繁な政策介入や市場ショックによる構造破壊や高周波ノイズにより、依然として課題が残されている。 最新のベースラインアプローチを含む既存の研究では、ブレークポイントを取り入れようと試みているが、デノベーションとモデリングを別々のプロセスとして扱うことが多く、先進的なディープラーニングアーキテクチャ全体にわたって体系的な評価が欠如しており、堅牢性と一般化能力が制限されている。 これらのギャップに対処するために、構造的ブレーク検出(Bai-Perron, ICSS, PELT)、ウェーブレット信号の復調、そして3つの最先端ディープラーニングモデル(LSTM, GRU, TCN)を統合した包括的ハイブリッドフレームワークを提案する。 欧州連合認可(EUA)は、2007年から2024年までの価格と、エネルギー価格や政策指標などの外生的特徴を利用して、一変量および多変量データセットを構築して比較評価を行う。 実験の結果,提案するPELT-WT-TCNの予測精度が最も高く,RMSEでは22.35%,MAEでは18.63%,RMSEでは70.55%,LSTMでは74.42%であった。 これらの知見は, 炭素価格予測などの非定常財務時系列の精度と解釈可能性を高めるため, 構造認識とマルチスケール分解を深層学習アーキテクチャに統合する価値を浮き彫りにした。

関連論文リスト

• Air Quality Prediction Using LOESS-ARIMA and Multi-Scale CNN-BiLSTM with Residual-Gated Attention [0.0]
  本稿では,LOESS分解,ARIMAモデリング,および残差対応型アテンション機構を備えたマルチスケールCNN-BiLSTMネットワークを統合したハイブリッド予測フレームワークを提案する。 中央公害管理委員会による2021-2023 AQIデータセットの実験は,提案手法が統計的,深層学習,ハイブリッドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-26T20:18:30Z)
• BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping [69.74252624161652]
  適応クリッピング(BAPO)を用いたBAlanced Policy Optimizationを提案する。 BAPOはクリッピングバウンダリを動的に調整し、適応的に正と負のコントリビューションを再バランスさせ、エントロピーを保持し、RL最適化を安定化させる。 AIME 2024とAIME 2025ベンチマークでは、7B BAPOモデルがSkyWork-OR1-7Bのようなオープンソースモデルを上回っています。
  論文  参考訳（メタデータ） (2025-10-21T12:55:04Z)
• NAIPv2: Debiased Pairwise Learning for Efficient Paper Quality Estimation [58.30936615525824]
  本稿では,紙の品質評価のための非バイアスで効率的なフレームワークであるNAIPv2を提案する。 NAIPv2は、レビューアレーティングの不整合を低減するために、ドメイン年グループ内でペアワイズ学習を採用している。 これはペアワイズ比較に基づいてトレーニングされるが、デプロイ時に効率的なポイントワイズ予測を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T17:59:23Z)
• Deep Learning-Enhanced for Amine Emission Monitoring and Performance Analysis in Industrial Carbon Capture Plants [0.6533091401094101]
  本研究では, 燃焼後炭素捕獲システムにおいて, アミン排出量の予測とモニタリングのためのデータ駆動深層学習モデルと, 主要な性能パラメータについて述べる。 放射予測のために、2-アミノ-2-メチル-1-プロパノール(AMP)とピペラジンの放射をFTIRおよびIMR-MS法で測定するモデルが設計された。 これらのモデルは99%を超える高い予測精度を達成し、安定した傾向と急激な変動の両方を効果的に追跡した。
  論文  参考訳（メタデータ） (2025-09-05T16:57:54Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Diffusion-based subsurface CO$_2$ multiphysics monitoring and forecasting [4.2193475197905705]
  本稿では,ビデオ拡散モデルを用いた新しい地下マルチ物理モニタリングおよび予測フレームワークを提案する。 このアプローチは、CO$2$進化の高品質な表現と、それに伴う地下弾性特性の変化を生成することができる。 コンパスモデルに基づく実験では,CO$モニタリングに関連する本質的に複雑な物理現象を,提案手法がうまく捉えることができた。
  論文  参考訳（メタデータ） (2024-07-25T23:04:37Z)
• 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)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。