חיזוי מחיר הפחמן RF-LSTM המבוסס על דקומפוזיציית CEEMDAN ושחזור באמצעות אנטרופיה רב‑קניינית

מדוע מחירי הפחמן חשובים לכולם

כשממשלות וחברות משלמות על הזכות לפלוט פחמן דו‑חמצני, המחיר של פליטות אלה משפיע בעקיפין על חשבונות האנרגיה, על השקעות בטכנולוגיות נקיות ואף על קצב הפעולה במאבק באקלים. עם זאת, מחירי הפחמן נעים בצורה מורכבת, מונעים על‑ידי פוליטיקה, מזג אוויר ושווקים. המחקר הזה מציע שיטה חדשה לחיזוי מדויק יותר של מחירי פחמן, שמסייעת למקבלי החלטות, לחברות ולמשקיעים לתכנן טוב יותר עתיד נמוך‑פחמן.

לפתור שוק אקלימי רועש

מערכות סחר בפחמן, כמו מערכת הסחר בפליטות של האיחוד האירופי וניסויים אזוריים בסין, נועדו לצמצם גזי חממה בעלות הנמוכה ביותר. במציאות, המחירים שלהם רחוקים מהיותם חלקים: הם מגיבים לשינויים בתקנות, למחזורי כלכלה ולציפיות משתנות. מודלים סטטיסטיים מסורתיים מתקשים להתמודד עם התנהגות בלתי יציבה ולא‑תחליפית כזו. גם כלי בינה מלאכותית מודרניים, כגון רשתות עצביות סטנדרטיות, עלולים לפספס דפוסים חשובים או להפוך לבלתי יציבים כאשר המחירים מתנדנדים בחוזקה. החוקרים טוענים שהבנת נתונים מסוג זה דורשת קודם לפצל את היסטוריית המחיר לגורמים פשוטים יותר לפני שמפעילים כלים חיזויים מתקדמים.

לשבור את המחירים לקצבים נסתרים

העיקרון הראשון בגישה החדשה הוא שיטה הקרויה CEEMDAN, שמפצלת עקומת מחיר פחמן מגובבת לכמה מרכיבים חלקים יותר, שכל אחד מהם מייצג קצב תנועה שונה — מרעידות יומיות מהירות ועד מגמות איטיות וארוכות טווח. במקום להתייחס לכל אחד מהמרכיבים בנפרד, החוקרים משתמשים במדד הנקרא אנטרופיה רב‑קניינית כדי להעריך עד כמה כל מרכיב מורכב על פני סולמות זמן שונים. מרכיבים בעלי מורכבות דומה מקובצים ומונגשים מחדש לאותות ברורים יותר. שלב זה מצמצם רעש ומיותרנות, ומאפשר למודל להתרכז בדפוסים שבאמת חשובים לחיזוי במקום להיסחף על ידי תנודות אקראיות.

שילוב בין שני מוחי למידת מכונה

לאחר שסדרת מחירי הפחמן נוקתה והוקבצה מחדש, המחקר משלב שתי שיטות למידת מכונה שמצטיינות במשימות שונות. מודל יער אקראי — אסופה של עצי החלטה פשוטים רבים — מוקצה לקבוצה בעלת התדירות הגבוהה ביותר, שם המחירים מתנדנדים במהירות ובאופן בלתי צפוי. יערות אקראיים טובים בלכוד מהלכים חדים וקצרים מבלי להיקשר יתר על המידה לנתונים. לקבוצות החלקות יותר שתופסות מגמות בינוניות וארוכות טווח, החוקרים משתמשים ברשת זיכרון לטווח ארוך‑קצר (LSTM), סוג של רשת חוזרת שנועדה לזכור דפוסים לאורך זמן. בהענקת לכל שיטה התמחות משלה ולאחר מכן באיחוד תוצאותיהן, המערכת ההיברידית RF–LSTM שואפת לעקוב הן אחרי הסיבובים המיידיים והן אחרי הכיוון הרחב של שוק הפחמן.

להסתגל לשוק ולבדוק ביצועים

כדי לשקף את האופן שבו חיזוי עובד בעולם האמיתי, החוקרים מאמצים סכמת חלון זמן מתגלגל. המודל מאומן על קטע תחילתי של נתונים היסטוריים, מבצע חיזוי לטווח קצר, ואז מזיזים את החלון קדימה וחוזרים על המחזור עד לסיום הסדרה. כך נמנע מהמורה לעיין בנתונים עתידיים ומאפשר למודל להסתגל לשינויים מבניים בשוק. המסגרת נבדקה על סדרות זמן ארוכות משוק הפחמן של הוביי בסין ומהמערכת של האיחוד האירופי, תוך שימוש במדדי שגיאה סטנדרטיים ובמדד דיוק כיווני הסופר כמה פעמים המודל מנבא נכון את תנועת המחיר — למעלה או למטה. המודל ההיברידי מפיק באופן עקבי שגיאות קטנות יותר ודיוק כיווני גבוה יותר לעומת מגוון שיטות בenchmark, כולל כלים קלאסיים לסדרות זמן ועיצובים עמוקים יותר כמו Transformers ורשתות מבוססות תשומת לב.

איזון בין דיוק למהירות לקבלת החלטות ממשיות

מכיוון שמודלים בעלי דיוק קיצוני עלולים להיות איטיים ויקרים להפעלה, החוקרים מציגים דירוג מורכב המשלב שגיאת חיזוי עם זמן חישוב. על‑ידי כוונון המשקל שניתן לדיוק מול מהירות, הם מראים מתי מודלים פשוטים עשויים להספיק ומתי הגישה ההיברידית המתקדמת באמת משתלמת. בשוקי הוביי והאיחוד האירופי, כבר כאשר ניתנת משקל מתון לדיוק, מסגרת ה‑RF–LSTM עולה על האחרים. לקוראים שאינם מומחים, המסקנה המרכזית היא ששיטה זו מציעה "תחזית מזג‑אוויר" אמינה יותר למחירי פחמן, ומעניקה למשתתפי השוק ולרגולטורים כלי חד יותר, אך עדיין מעשי, להנחיית השקעות, ניהול סיכונים ועיצוב מדיניות אקלימית.

ציטוט: Wang, H., Li, Y. RF-LSTM carbon price prediction based on CEEMDAN decomposition and multiscale entropy reconstruction. Sci Rep 16, 5230 (2026). https://doi.org/10.1038/s41598-026-35085-5

מילות מפתח: תמחור פחמן, סחר בזכויות פליטה, למידת מכונה, חיזוי סדרות זמן, מדיניות אקלים