准确定价碳信用对于维护透明且高效的碳市场至关重要。然而，碳信用价格时间序列数据呈现非平稳、非线性和多重共线性特征。本研究通过开发先进的多因素预测模型，解决了这些挑战，实现短期价格预测。所提模型整合关键因素识别和优化预测算法，以管理22个外部因素间复杂的相互作用。本文提出了碳信用多因素识别（CCMFI）模型以研究各因素的重要性。CCMFI模型结合了随机森林（RF）模型和SHapley加性解释（SHAP）。选定的关键因素随后作为输入用于碳信用多因素预测（CCMFP）模型。CCMFP应用了特征提取和降维技术，包括独立成分分析（ICA）、非线性独立成分分析（NLICA）和主成分分析（PCA）。提取的成分作为支持向量回归（SVR）和多层感知机（MLP）神经网络的输入变量。本研究使用澳大利亚碳信用单位（ACCUs）的真实每日价格数据验证所提模型。实验结果表明，使用K=10因素的ICA_SVR模型优于其他模型，实现了1.039的均方误差（MSE），0.99的R²值，计算效率为1.33秒。所有提出的模型均表现出卓越的预测性能，准确率超过97%。所开发模型提升了碳信用交易者和投资者的信心，有助于缓解价格波动相关的金融风险。本研究支持全球努力，推动碳信用作为可持续实践的有效工具。
Alshatri 等（星期二，）研究了此问题。