二次分解策略的深度学习碳交易价格预测

随着我国碳排放权交易市场的逐渐完善,碳交易价格的准确预测将有助于构建更加稳定的市场环境,极大减少参与者的风险。针对当前碳交易价格预测难度大及现有的二次分解-集合策略不完善等问题,该文提出一种基于变分模态分解(variational mode decomposition, VMD)和经验小波变化(empirical wavelet transform, EWT)的二次分解预测策略,其中分别采用中心频率(central frequency, CF)和Lempel-Ziv复杂度计算作为分解层数的确定依据,样本熵(sample entropy, SE)作为第二次分解输入序列的重构依据,使用长短期记忆网络(long short-term memory, LSTM)和时序卷积网络(temporal convolutional network, TCN)作为预测模型,并结合海洋捕食者算法(marine predator algorithm, MPA)对模型进行参数优化。实验结果表明,V-LSTM-E-LSTM模型和V-TCN-E-TCN模型不仅在湖北碳交易价格的短期和长期预测中获得了最好的效果,而且在其它四个区域碳排放权交易市场也获得了较高的精度。但对于成立时间较短的全国碳排放权交易市场,V-TCN-E-TCN模型在短期预测中表现更佳,长期预测中效果更好的是V-TCN-E-LSTM模型。