CN114493054A - 一种基于大数据的碳交易市场智能分析方法及系统 - Google Patents

一种基于大数据的碳交易市场智能分析方法及系统 Download PDF

Info

Publication number
CN114493054A
CN114493054A CN202210400981.3A CN202210400981A CN114493054A CN 114493054 A CN114493054 A CN 114493054A CN 202210400981 A CN202210400981 A CN 202210400981A CN 114493054 A CN114493054 A CN 114493054A
Authority
CN
China
Prior art keywords
data
carbon
input data
predicted
quota
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210400981.3A
Other languages
English (en)
Inventor
高国辉
何仪
周世武
曾娟
邱强明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Evan Low Carbon Technology Co ltd
Original Assignee
Guangdong Evan Low Carbon Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Evan Low Carbon Technology Co ltd filed Critical Guangdong Evan Low Carbon Technology Co ltd
Priority to CN202210400981.3A priority Critical patent/CN114493054A/zh
Publication of CN114493054A publication Critical patent/CN114493054A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于大数据的碳交易市场智能分析方法及系统，涉及数据处理技术领域。获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对碳配额交易价格进行EMD分解，得到原始数据分量；对原始数据分量进行特征选择，得到第一输入数据；第一输入数据包括自相关数据和互相关数据；对多种影响因素数据进行特征选择，得到第二输入数据；根据第一输入数据和第二输入数据，计算预测碳配额交易价格；进行碳交易市场的碳配额分配。该方法将互相关数据和多种影响因素数据结合进行预测，可以通过多尺度多因素对碳配额交易价格进行预测，提高碳配额价格预测的精准度，进而提高碳交易市场碳配额分配的效率。

Description

一种基于大数据的碳交易市场智能分析方法及系统
技术领域
本发明涉及数据分析技术领域，具体涉及一种基于大数据的碳交易市场智能分析方法及系统。
背景技术
全球气候变化后果日益严重，已成为对人类可持续发展的严重威胁，碳交易市场可以作为应对全球气候变化的有效机制。然而，碳配额价格剧烈波动严重影响减排绩效和市场价值。准确预测碳配额价格，一方面可以建立有效的碳配额价格稳定机制，另一方面可以帮助投资者规避碳交易市场风险，增加碳资产的价值。
而碳交易市场是一个复杂的非线性系统，受经济、能源等复杂外部环境的影响。现有技术中，通过对基于时间序列的历史碳配额价格进行建模，预测碳配额价格，而忽略了多种影响因素在碳配额价格预测中的作用，使碳配额价格预测误差较大，导致碳交易市场碳配额分配效率低下。
发明内容
本发明的目的就在于解决上述背景技术的问题，而提出一种基于大数据的碳交易市场智能分析方法及系统，通过多尺度多因素对碳配额交易价格进行预测，提高碳配额价格预测的精准度，进而提高碳交易市场碳配额分配的效率。
本发明的目的可以通过以下技术方案实现：
本发明实施例第一方面，提供了一种基于大数据的碳交易市场智能分析方法，所述方法包括:
获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对所述碳配额交易价格进行EMD分解，得到原始数据分量；所述多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种；
对所述原始数据分量进行特征选择，得到第一输入数据；所述第一输入数据包括自相关数据和互相关数据；其中，所述自相关数据的变化由所述自相关数据自身进行预测；互相关数据的变化由所述多种影响因素数据进行预测；
对所述多种影响因素数据进行特征选择，得到第二输入数据；
根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格；
根据所述预测碳配额交易价格进行碳交易市场的碳配额分配。
可选的，所述第一输入数据包括多个具有不同幅度和频率的本征模函数IMF和一个残差；
在根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格之前，所述方法还包括：
识别多个本征模函数IMF中的高频IMF和低频IMF，将所述高频IMF和所述残差作为所述自相关数据，将所述低频IMF作为所述互相关数据。
可选的，使用Lempel-Ziv序列复杂度算法识别多个本征模函数IMF中的高频IMF、低频IMF。
可选的，根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格，包括：
根据所述自相关数据进行预测，得到第一预测结果；
根据所述互相关数据和所述第二输入数据进行预测，得到第二预测结果；
将所述第一预测结果和所述第二预测结果进行非线性积分，得到预测碳配额交易价格。
可选的，所述第一预测结果包括短期预测结果和长期预测结果；
根据所述自相关数据进行预测，得到第一预测结果，包括：
对所述高频IMF进行自回归条件异方差ARCH检验；
若所述高频IMF具有ARCH效应，将所述高频IMF使用GARCH模型进行预测，得到所述短期预测结果；
若所述高频IMF不具有ARCH效应，将所述高频IMF使用极限学习机ELM模型进行预测，得到所述短期预测结果；
将所述残差使用PSO-LSSVM模型进行预测，得到所述长期预测结果。
可选的，根据所述互相关数据和所述第二输入数据进行预测，得到第二预测结果，包括：
将所述互相关数据和所述第二输入数据使用PSO-GM模型进行预测，得到第二预测结果。
可选的，使用偏相关函数PACF对所述原始数据分量进行特征选择；使用最小冗余最大相关mRMR算法对所述多种影响因素数据进行特征选择。
本发明实施例第二方面，还提供了一种基于大数据的碳交易市场智能分析系统，包括EMD分解模块、特征选择模块、预测模块和碳配额分配模块；
其中:
所述EMD分解模块，用于获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对所述碳配额交易价格进行EMD分解，得到原始数据分量；所述多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种；
所述特征选择模块，用于对所述原始数据分量进行特征选择，得到第一输入数据；所述第一输入数据包括自相关数据和互相关数据；其中，所述自相关数据的变化由所述自相关数据自身进行预测；互相关数据的变化由所述多种影响因素数据进行预测；
所述特征选择模块，还用于对所述多种影响因素数据进行特征选择，得到第二输入数据；
所述预测模块，用于根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格；
所述碳配额分配模块，用于根据所述预测碳配额交易价格进行碳交易市场的碳配额分配。
本发明实施例提供的一种基于大数据的碳交易市场智能分析方法，获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对碳配额交易价格进行EMD分解，得到原始数据分量；多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种；对原始数据分量进行特征选择，得到第一输入数据；第一输入数据包括自相关数据和互相关数据；其中，自相关数据的变化由自相关数据自身进行预测；互相关数据的变化由多种影响因素数据进行预测；对多种影响因素数据进行特征选择，得到第二输入数据；根据第一输入数据和第二输入数据，计算预测碳配额交易价格；根据预测碳配额交易价格进行碳交易市场的碳配额分配。上述步骤将互相关数据和多种影响因素数据结合进行预测，并将预测结果与使用自相关数据进行预测的预测结果进行聚合，得到预测碳配额交易价格，可以通过多尺度多因素对碳配额交易价格进行预测，提高碳配额价格预测的精准度，进而提高碳交易市场碳配额分配的效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种基于大数据的碳交易市场智能分析方法的流程图。
图2为本发明实施例提供的另一种基于大数据的碳交易市场智能分析方法的流程图。
图3为本发明实施例提供的又一种基于大数据的碳交易市场智能分析方法的流程图。
图4为本发明实施例还提供的一种基于大数据的碳交易市场智能分析系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种基于大数据的碳交易市场智能分析方法。参见图1，图1为本发明实施例提供的一种基于大数据的碳交易市场智能分析方法的流程图。该方法包括:
S101，获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对碳配额交易价格进行EMD分解，得到原始数据分量。
S102，对原始数据分量进行特征选择，得到第一输入数据。
S103，对多种影响因素数据进行特征选择，得到第二输入数据。
S104，根据第一输入数据和第二输入数据，计算预测碳配额交易价格。
S105，根据预测碳配额交易价格进行碳交易市场的碳配额分配。
多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种。
第一输入数据包括自相关数据和互相关数据；其中，自相关数据的变化由自相关数据自身进行预测；互相关数据的变化由多种影响因素数据进行预测。
基于本发明实施例提供的基于大数据的碳交易市场智能分析方法，将互相关数据和多种影响因素数据结合进行预测，并将预测结果与使用自相关数据进行预测的预测结果进行聚合，得到预测碳配额交易价格，可以通过多尺度多因素对碳配额交易价格进行预测，提高碳配额价格预测的精准度，进而提高碳交易市场碳配额分配的效率。
一种实现方式中，通过将碳配额交易价格进行EMD( empirical modedecomposition，经验模态分解)分解，可以将碳配额交易价格分解为多个具有不同幅度和频率的IMF（Intrinsic Mode Function，本征模函数）和1个残差。多个IMF是独立的，具有结构简单、波动稳定、规律性强的特点。
一种实现方式中，多种影响因素数据可以根据实际情况进行设置。
（1）经济形势数据，可以表征当前的经济形势。当经济形势稳中向好时，生产经营活动变活跃，碳配额交易价格通常会升高，而经济增速放缓时，碳配额交易价格通常会降低。可以采用FTSE100指数、标普500期指、斯托克600指数、沪深300指数等股市的指数作为经济形势数据。
（2）金融市场数据，可以采用美元兑人民币汇率表示金融市场数据，反映金融市场对碳配额交易价格的影响。
（3）碳交易市场数据，可以采用欧盟配额（EUA）期货和核证减排量（CER）期货碳价作为碳交易市场数据。
（4）能源数据，可以采用煤炭价格、原油价格、天然气价格和电价作为能源数据，反映能源价格对碳配额交易价格的影响。
（5）大气环境数据，可以采用空气质量指数（AQI）作为大气环境数据。
在一个实施例中，第一输入数据包括多个具有不同幅度和频率的本征模函数IMF和一个残差，参见图2，在图1的基础上，在步骤S104之前该方法还包括：
S106，识别多个本征模函数IMF中的高频IMF、低频IMF，将高频IMF和残差作为自相关数据，将低频IMF作为互相关数据。
一种实现方式中，残差，可以表征长期碳配额交易价格的稳定变化。按照IMF的频率分类，可以将IMF分为两类：
（1）高频IMF，频率高、幅值低，可以表征碳交易市场正常运行时，短期市场供需失衡引起的碳配额交易价格的随机变化，高频IMF在短期内经常波动，但不能产生长期影响。
（2）低频IMF，频率低、幅值高，可以表征受外部多种影响因素影响的周期性波动数据特征。低频IMF的快速上涨或下跌是由重大突发事件的冲击引起的。
每种类型的IMF都有其独特的特性，因此，根据数据特征为每种类型的IMF选择合适的预测模型，可以提高碳价预测的准确性。
在一个实施例中，使用Lempel-Ziv序列复杂度算法识别多个本征模函数IMF中的高频IMF、低频IMF。
一种实现方式中，通过Lempel-Ziv序列复杂度算法，可以计算多个具有不同幅度和频率的本征模函数IMF的序列复杂度，根据本征模函数IMF的序列复杂度识别高频IMF和低频IMF，例如，将序列复杂度大于预设阈值的本征模函数IMF识别为高频IMF，将序列复杂度不大于预设阈值的本征模函数IMF识别为低频IMF。
在一个实施例中，参见图3，在图1的基础上，步骤S104包括：
S1041，根据自相关数据进行预测，得到第一预测结果。
S1042，根据互相关数据和第二输入数据进行预测，得到第二预测结果。
S1043，将第一预测结果和第二预测结果进行非线性积分，得到预测碳配额交易价格。
在一个实施例中，第一预测结果包括短期预测结果和长期预测结果；
步骤S1041具体包括：
步骤一，对高频IMF进行自回归条件异方差ARCH检验；
步骤二，若高频IMF具有ARCH效应，将高频IMF使用GARCH模型进行预测，得到短期预测结果；
步骤三，若高频IMF不具有ARCH效应，将高频IMF使用极限学习机ELM模型进行预测，得到短期预测结果；
步骤四，将残差使用PSO-LSSVM模型进行预测，得到长期预测结果。
一种实现方式中，通过对高频IMF进行自回归条件异方差ARCH检验，以选择合适高频IMF的预测模型。GARCH模型、极限学习机ELM模型和PSO-LSSVM模型为现有技术中的模型，在此不做赘述。
在一个实施例中，步骤S1042具体为：将互相关数据和第二输入数据使用PSO-GM模型进行预测，得到第二预测结果。
在一个实施例中，使用偏相关函数PACF对原始数据分量进行特征选择；使用最小冗余最大相关mRMR算法对多种影响因素数据进行特征选择。
一种实现方式中，PACF可以用于确定时间序列（原始数据分量）与其自身滞后数据之间的部分相关性。
Figure DEST_PATH_IMAGE001
用于表示去除
Figure 161857DEST_PATH_IMAGE002
的影响后，
Figure DEST_PATH_IMAGE003
和
Figure 875997DEST_PATH_IMAGE004
之间的条件相关性。通过特征选择操作可以从大量原始数据分量和多种影响因素数据中选择对预测模型有贡献的相关变量，减少模型冗余。
基于相同的发明构思，本发明实施例还提供了一种基于大数据的碳交易市场智能分析系统。参见图4，图4为本发明实施例还提供的一种基于大数据的碳交易市场智能分析系统的系统框图。该系统包括EMD分解模块401、特征选择模块402、预测模块403和碳配额分配模块404；
其中:
EMD分解模块401，用于获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对碳配额交易价格进行EMD分解，得到原始数据分量；多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种；
特征选择模块402，用于对原始数据分量进行特征选择，得到第一输入数据；第一输入数据包括自相关数据和互相关数据；其中，自相关数据的变化由自相关数据自身进行预测；互相关数据的变化由多种影响因素数据进行预测；
特征选择模块402，还用于对多种影响因素数据进行特征选择，得到第二输入数据；
预测模块403，用于根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格；
碳配额分配模块404，用于根据所述预测碳配额交易价格进行碳交易市场的碳配额分配。
基于本发明实施例提供的基于大数据的碳交易市场智能分析系统，将互相关数据和多种影响因素数据结合进行预测，并将预测结果与使用自相关数据进行预测的预测结果进行聚合，得到预测碳配额交易价格，可以通过多尺度多因素对碳配额交易价格进行预测，提高碳配额价格预测的精准度，进而提高碳交易市场碳配额分配的效率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种基于大数据的碳交易市场智能分析方法，其特征在于，所述方法包括:
获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对所述碳配额交易价格进行EMD分解，得到原始数据分量；所述多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种；
对所述原始数据分量进行特征选择，得到第一输入数据；所述第一输入数据包括自相关数据和互相关数据；其中，所述自相关数据的变化由所述自相关数据自身进行预测；互相关数据的变化由所述多种影响因素数据进行预测；
对所述多种影响因素数据进行特征选择，得到第二输入数据；
根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格；
根据所述预测碳配额交易价格进行碳交易市场的碳配额分配。
2.根据权利要求1所述的一种基于大数据的碳交易市场智能分析方法，其特征在于，所述第一输入数据包括多个具有不同幅度和频率的本征模函数IMF和一个残差；
在根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格之前，所述方法还包括：
识别多个本征模函数IMF中的高频IMF和低频IMF，将所述高频IMF和所述残差作为所述自相关数据，将所述低频IMF作为所述互相关数据。
3.根据权利要求2所述的一种基于大数据的碳交易市场智能分析方法，其特征在于，使用Lempel-Ziv序列复杂度算法识别多个本征模函数IMF中的高频IMF、低频IMF。
4.根据权利要求2所述的一种基于大数据的碳交易市场智能分析方法，其特征在于，根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格，包括：
根据所述自相关数据进行预测，得到第一预测结果；
根据所述互相关数据和所述第二输入数据进行预测，得到第二预测结果；
将所述第一预测结果和所述第二预测结果进行非线性积分，得到预测碳配额交易价格。
5.根据权利要求4所述的一种基于大数据的碳交易市场智能分析方法，其特征在于，所述第一预测结果包括短期预测结果和长期预测结果；
根据所述自相关数据进行预测，得到第一预测结果，包括：
对所述高频IMF进行自回归条件异方差ARCH检验；
若所述高频IMF具有ARCH效应，将所述高频IMF使用GARCH模型进行预测，得到所述短期预测结果；
若所述高频IMF不具有ARCH效应，将所述高频IMF使用极限学习机ELM模型进行预测，得到所述短期预测结果；
将所述残差使用PSO-LSSVM模型进行预测，得到所述长期预测结果。
6.根据权利要求5所述的一种基于大数据的碳交易市场智能分析方法，其特征在于，根据所述互相关数据和所述第二输入数据进行预测，得到第二预测结果，包括：
将所述互相关数据和所述第二输入数据使用PSO-GM模型进行预测，得到第二预测结果。
7.根据权利要求1所述的一种基于大数据的碳交易市场智能分析方法，其特征在于，使用偏相关函数PACF对所述原始数据分量进行特征选择；使用最小冗余最大相关mRMR算法对所述多种影响因素数据进行特征选择。
8.一种基于大数据的碳交易市场智能分析系统，其特征在于，包括EMD分解模块、特征选择模块、预测模块和碳配额分配模块；
其中:
所述EMD分解模块，用于获取当前的多种影响因素数据和预设历史时间段内的碳配额交易价格，对所述碳配额交易价格进行EMD分解，得到原始数据分量；所述多种影响因素数据包括经济形势数据、金融市场数据、碳交易市场数据、能源数据和大气环境数据中的至少一种；
所述特征选择模块，用于对所述原始数据分量进行特征选择，得到第一输入数据；所述第一输入数据包括自相关数据和互相关数据；其中，所述自相关数据的变化由所述自相关数据自身进行预测；互相关数据的变化由所述多种影响因素数据进行预测；
所述特征选择模块，还用于对所述多种影响因素数据进行特征选择，得到第二输入数据；
所述预测模块，用于根据所述第一输入数据和所述第二输入数据，计算预测碳配额交易价格；
所述碳配额分配模块，用于根据所述预测碳配额交易价格进行碳交易市场的碳配额分配。
CN202210400981.3A 2022-04-18 2022-04-18 一种基于大数据的碳交易市场智能分析方法及系统 Pending CN114493054A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210400981.3A CN114493054A (zh) 2022-04-18 2022-04-18 一种基于大数据的碳交易市场智能分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210400981.3A CN114493054A (zh) 2022-04-18 2022-04-18 一种基于大数据的碳交易市场智能分析方法及系统

Publications (1)

Publication Number Publication Date
CN114493054A true CN114493054A (zh) 2022-05-13

Family

ID=81489389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210400981.3A Pending CN114493054A (zh) 2022-04-18 2022-04-18 一种基于大数据的碳交易市场智能分析方法及系统

Country Status (1)

Country Link
CN (1) CN114493054A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330081A (zh) * 2022-09-09 2022-11-11 广东埃文低碳科技股份有限公司 一种基于大数据的碳交易市场智能分析预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160204A (zh) * 2015-10-28 2015-12-16 河海大学 一种碳排放价格组合预测方法
CN108197762A (zh) * 2018-02-27 2018-06-22 平安科技（深圳）有限公司 碳期货价格预测方法、装置、计算机设备和存储介质
CN113888239A (zh) * 2021-10-26 2022-01-04 浙江浙达能源科技有限公司 基于虚拟电厂平台的分布式碳交易价格调节系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160204A (zh) * 2015-10-28 2015-12-16 河海大学 一种碳排放价格组合预测方法
CN108197762A (zh) * 2018-02-27 2018-06-22 平安科技（深圳）有限公司 碳期货价格预测方法、装置、计算机设备和存储介质
CN113888239A (zh) * 2021-10-26 2022-01-04 浙江浙达能源科技有限公司 基于虚拟电厂平台的分布式碳交易价格调节系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔焕影等: "基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测", 《运筹与管理》 *
崔金鑫等: "基于CEEMDAN-MR-PE-NLE多频优化组合模型的碳金融市场价格预测", 《数学的实践与认识》 *
张晨等: "基于多频组合模型的中国区域碳市场价格预测", 《系统工程理论与实践》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330081A (zh) * 2022-09-09 2022-11-11 广东埃文低碳科技股份有限公司 一种基于大数据的碳交易市场智能分析预测方法及系统

Similar Documents

Publication Publication Date Title
US9866578B2 (en) System and method for network intrusion detection anomaly risk scoring
CN110782129B (zh) 一种业务进度监控方法、装置、系统及计算机可读存储介质
CN109242135B (zh) 一种模型运营方法、装置、及业务服务器
US20170371757A1 (en) System monitoring method and apparatus
JP2017142781A (ja) 確率的価格及び急変予測
CN110502751B (zh) 大电网运行态势感知方法、终端设备和存储介质
CN113723668A (zh) 基于鲁棒优化的配煤方法、系统、设备及存储介质
CN110866698A (zh) 用于评定服务提供方的服务分值的装置
CN114493054A (zh) 一种基于大数据的碳交易市场智能分析方法及系统
CN115755614A (zh) 基于碳排监测的用能优化调控方法及装置
CN109523296B (zh) 用户行为概率分析方法及装置、电子设备、存储介质
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
CN110688846A (zh) 周期词挖掘方法、系统、电子设备及可读存储介质
US20180047039A1 (en) Spending allocation in multi-channel digital marketing
CN109857816B (zh) 测试样本的选取方法及装置、存储介质、电子设备
CN114969187A (zh) 数据分析系统及方法
CN115858291A (zh) 一种系统指标的检测方法、装置、电子设备及其存储介质
CN112132689A (zh) 一种基于时序因子事件的推荐方法和装置
CN117113613A (zh) 一种数据处理方法及装置
CN114090535A (zh) 一种模型训练方法、数据存储方法、装置及电子设备
WO2016072474A1 (ja) 情報処理装置及び方法、並びにプログラム
CN114520773A (zh) 一种服务请求的响应方法、装置、服务器及存储介质
CN112613732A (zh) 一种金融机构监管评级的方法和装置
Mburamatare et al. Analyzing and forecasting electricity consumption in energy-intensive industries in Rwanda
Fröhlich Outlier identification and adjustment for time series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220513

RJ01 Rejection of invention patent application after publication