【技术实现步骤摘要】
本申请涉及碳资产，尤其涉及一种碳资产价格预测方法、装置、电子设备及存储介质。
技术介绍
1、目前，碳资产价格预测随着配额碳资产的试点推行显得越来越重要。相关技术中，可以基于深度学习方法，通过对历史数据的学习得到预测结果。例如，基于lstm（longshort-term memory，长短期记忆）模型，可以得到预测结果。该方法预测周期比较固定，例如，通常以天或周为单位进行预测。碳资产价格数据序列在不同的尺度周期上具备的意义不同，而且与经济环境紧密联系，因此容易出现预测失败现象，即从某个时间节点开始后续的预测结果完全偏离真实值。另外，在损失函数处理上简单的采用碳资产价格进行欧式距离损失的计算，导致可行解过多，模型训练经常无法收敛到比较优的可行解。可见，基于深度学习方法预测碳资产价格的准确性较低。
技术实现思路
1、为了解决上述技术问题，本申请提供了一种碳资产价格预测方法、装置、电子设备及存储介质。
2、根据本申请的第一方面，提供了一种碳资产价格预测方法，包括：
3、针对预先设置的m个尺度周期中的单个尺度周期，获取目标区域内当前时刻之前的k个所述尺度周期的碳资产价格数据和国内生产总值数据，以及所述尺度周期对应的碳资产行业特征数据；m为大于1整数，k为正整数；
4、将k个所述尺度周期的国内生产总值数据分别输入与所述尺度周期对应的区域国内生产总值预测模型，得到k个所述尺度周期的国内生产总值数据分别对应的宏观预测结果；
5、将所述尺度周期对应的碳
6、将所述尺度周期的拼接特征输入预先训练的、与所述尺度周期对应的预测模型，得到所述尺度周期对应的碳资产价格预测结果；
7、将k个尺度周期分别对应的碳资产价格预测结果进行加权平均，得到当前时刻后目标尺度周期的碳资产价格预测结果，其中，所述目标尺度周期为所述m个尺度周期中的最小尺度周期。
8、可选地，针对每个尺度周期，与所述尺度周期对应的预测模型的训练方法包括：
9、获取历史时间段内的碳资产价格数据和国内生产总值数据；
10、按照所述尺度周期对所述历史时间段内的碳资产价格数据和国内生产总值数据分别进行划分，得到多组碳资产价格数据序列和多组国内生产总值数据序列，每组碳资产价格数据序列中包括k个样本碳资产价格数据，每组国内生产总值数据序列中包括k个样本国内生产总值数据；
11、从所述历史时间段内的碳资产价格数据中确定出每组碳资产价格数据序列对应的实际预测结果；
12、将每组国内生产总值数据序列中的每个所述样本国内生产总值数据输入与所述尺度周期对应的区域国内生产总值预测模型，得到样本宏观预测结果；
13、将所述尺度周期对应的碳资产行业特征数据、k个样本碳资产价格数据和k个样本宏观预测结果进行拼接，得到所述尺度周期的样本拼接特征；
14、将所述样本拼接特征输入初始模型，得到所述碳资产价格数据序列对应的模型预测结果；
15、对多组碳资产价格数据序列对应的实际预测结果进行1~n阶梯度运算，得到1~n阶实际梯度结果；n为正整数；
16、对多组碳资产价格数据序列对应的模型预测结果进行1~n阶梯度运算，得到1~n阶预测梯度结果；
17、将第i阶实际梯度结果和第i阶预测梯度结果进行二范数运算，得到第i阶范数运算结果；其中，i为0~n的整数，第0阶实际梯度结果为所述实际预测结果，第0阶预测梯度结果为所述模型预测结果；
18、将第0~n阶范数运算结果进行加权平均，得到损失值；
19、通过所述损失值对所述初始模型中的网络参数进行更新，直至更新后的模型收敛，将最终更新的模型确定为所述尺度周期对应的预测模型。
20、可选地，m个尺度周期具体为3个尺度周期，3个尺度周期包括：周、月和年；
21、所述将k个尺度周期分别对应的碳资产价格预测结果进行加权平均，得到当前时刻后目标尺度周期的碳资产价格预测结果，包括：
22、如果周对应的碳资产价格预测结果为cweek，月对应的碳资产价格预测结果为cmonth，年对应的碳资产价格预测结果为cyear，根据公式：确定当前时刻后一周的碳资产价格预测结果c；其中，为权重参数；
23、。
24、可选地，所述将所述尺度周期对应的碳资产行业特征数据、k个所述尺度周期的碳资产价格数据和k个宏观预测结果进行拼接，得到所述尺度周期的拼接特征，包括：
25、针对k个所述尺度周期的碳资产价格数据中的每个碳资产价格数据，将所述碳资产行业特征数据与所述碳资产价格数据、所述碳资产价格数据对应的宏观预测结果进行拼接，得到所述碳资产价格数据对应的拼接特征；
26、将k个所述碳资产价格数据对应的拼接特征进行拼接，得到所述尺度周期的拼接特征。
27、可选地，所述尺度周期对应的碳资产行业特征数据包括：行业利润率、行业产能和行业存量比特征。
28、根据本申请的第二方面，提供了一种碳资产价格预测装置，包括：
29、数据获取模块，用于针对预先设置的m个尺度周期中的单个尺度周期，获取目标区域内当前时刻之前的k个所述尺度周期的碳资产价格数据和国内生产总值数据，以及所述尺度周期对应的碳资产行业特征数据；m为大于1整数，k为正整数；
30、第一预测模块，用于将k个所述尺度周期的国内生产总值数据分别输入与所述尺度周期对应的区域国内生产总值预测模型，得到k个所述尺度周期的国内生产总值数据分别对应的宏观预测结果；
31、预测结果拼接模块，用于将所述尺度周期对应的碳资产行业特征数据、k个所述尺度周期的碳资产价格数据和k个宏观预测结果进行拼接，得到所述尺度周期的拼接特征；
32、第二预测模块，用于将所述尺度周期的拼接特征输入预先训练的、与所述尺度周期对应的预测模型，得到所述尺度周期对应的碳资产价格预测结果；
33、最终预测结果确定模块，用于将k个尺度周期分别对应的碳资产价格预测结果进行加权平均，得到当前时刻后目标尺度周期的碳资产价格预测结果，其中，所述目标尺度周期为所述m个尺度周期中的最小尺度周期。
34、可选地，所述装置还包括：
35、预测模型训练模块，用于针对每个尺度周期，通过下述步骤实现与所述尺度周期对应的预测模型的训练：
36、获取历史时间段内的碳资产价格数据和国内生产总值数据；
37、按照所述尺度周期对所述历史时间段内的碳资产价格数据和国内生产总值数据分别进行划分，得到多组碳资产价格数据序列和多组国内生产总值数据序列，每组碳资产价格数据序列中包括k个样本碳资产价格数据，每组国内生产总值数据序列中包括k个样本国内生产总值数据；
38、从所述历史时间段内的碳资产价格数据中确定出每组碳资产价格本文档来自技高网...
【技术保护点】
1.一种碳资产价格预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，针对每个尺度周期，与所述尺度周期对应的预测模型的训练方法包括：
3.根据权利要求1所述的方法，其特征在于，M个尺度周期具体为3个尺度周期，3个尺度周期包括：周、月和年；
4.根据权利要求1所述的方法，其特征在于，所述将所述尺度周期对应的碳资产行业特征数据、K个所述尺度周期的碳资产价格数据和K个宏观预测结果进行拼接，得到所述尺度周期的拼接特征，包括：
5.根据权利要求1所述的方法，其特征在于，所述尺度周期对应的碳资产行业特征数据包括：行业利润率、行业产能和行业存量比特征。
6.一种碳资产价格预测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
8.根据权利要求6所述的装置，其特征在于，M个尺度周期具体为3个尺度周期，3个尺度周期包括：周、月和年；
9.一种电子设备，其特征在于，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法。
...【技术特征摘要】
1.一种碳资产价格预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，针对每个尺度周期，与所述尺度周期对应的预测模型的训练方法包括：
3.根据权利要求1所述的方法，其特征在于，m个尺度周期具体为3个尺度周期，3个尺度周期包括：周、月和年；
4.根据权利要求1所述的方法，其特征在于，所述将所述尺度周期对应的碳资产行业特征数据、k个所述尺度周期的碳资产价格数据和k个宏观预测结果进行拼接，得到所述尺度周期的拼接特征，包括：
5.根据权利要求1所述的方法，其特征在于，所述尺度周期对应的碳资产行业特征数据包括：行业利润率、行业...
【专利技术属性】
技术研发人员：张志峰，刘志，齐欣，
申请(专利权)人：北京壹清能环科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。