一种基于大数据的碳交易市场智能分析方法及系统技术方案

本发明专利技术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。提高碳交易市场碳配额分配的效率。提高碳交易市场碳配额分配的效率。

【技术实现步骤摘要】
一种基于大数据的碳交易市场智能分析方法及系统


[0001]本专利技术涉及数据分析
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术的目的就在于解决上述
技术介绍
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。
[0005]本专利技术的目的可以通过以下技术方案实现：本专利技术实施例第一方面，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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]本专利技术实施例第二方面，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。
[0013]本专利技术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
[0014]下面结合附图对本专利技术作进一步的说明。
[0015]图1为本专利技术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。
[0016]图2为本专利技术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。
[0017]图3为本专利技术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。
[0018]图4为本专利技术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
[0019]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0020]本专利技术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为本专利技术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，获取当前本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：高国辉，何仪，周世武，曾娟，邱强明，
申请(专利权)人：广东埃文低碳科技股份有限公司，
类型：发明
国别省市：