原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第41卷第2期哈尔滨商业大学学报（自然科学版)Vol.41No.2
2025年4月JournalofHarbinUniversityofCommerce(NaturalSciencesEdition)Apr.2025
基于注意力机制的CNN-LSTM模型的碳市场价格预测
简明宇，任苏灵,王
王静？
（1.兰州财经大学统计与数据科学学院，兰州730020;2.兰州交通大学数理学院，兰州730070）
摘要：在以往研究的基础上,针对碳价格数据具有金融时间序列的不确定性及高噪声
的特点，利用卷积神经网络以及LSTM模型对时间序列进行特征分量提取和序列预测，
提出一种基于注意力机制的CNN-LSTM模型进行碳市场价格的预测.实验选取来自
广州碳排放权交易中心（CEEX）公示的2014年5月4日～2024年4月30日的历史碳
价交易数据对LSTM、LSTM-attention、CNN-LSTM以及CNN-LSTM-attention模型进行
多种模型和多种特征输入变量的精度对比和图像分析.本文所提多变量CNN-LSTM-
attention模型的总体拟合预测效果最好,其预测精度高于单变量预测模型以及基础对
比模型，且模型具有较好的泛化性能.
关键词：注意力机制；卷积神经网络;LSTM;CNN-LSTM；碳市场价格；价格预测
中图分类号：TP183文献标识码：A文章编号:1672-0946(2025)02-0226-07
CarbonmarketpricepredictionbyCNN-LSTMmodelbasedonattentionmechanism
JIANMingyu,RENSuling,WANGJing
(1.SchoolofStatisticsandDataScience,LanzhouUniversityofFinanceandEconomics,Lanzhou730020,China;
2.SchoolofScience,LanzhouJiaotongUniversity,Lanzhou730070,China)
Abstract:Basedonpreviousstudies,consideringtheuncertaintyandhighnoiseoffinancial
timeseriesofcarbonpricedata,thispaperutilizedconvolutionalneuralnetworkandLSTM
modeltoextractfeaturecomponentsandpredictseriesoftimeseries.ProposedaCNN-LSTM
modelbasedonattentionmechanismforpredictingcarbonmarketprice.Inthisexperiment,
historicalcarbonpricetradingdatapublishedbyGuangzhouCarbonEmissionTradingCenter
(CEEX)fromMay4,2014toApril30,2024wereselectedforLSTM,LSTM-
ATTENTION,CNN-LSTM,andCNN-LSTM-ATTENTIONmodels.Aprecision
comparisonandimageanalysiswereconductedamongmultiplefeatureinputv
文档评论（0）