本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

Feb, 2023

通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。

Sep, 2021

二十个高人类发展指数国家的 CO2 排放的决定因素，经济、环境、能源利用和可再生资源等因素的纵向研究，应用统计技术和机器学习方法，预测排放趋势和相似排放模式，为制定更加集中和有效的碳减排政策提供实用洞察。

May, 2024

本文将研究基于机器学习的模型，以估算尚未报告温室气体排放的公司的范围 1 和范围 2 的温室气体排放。该模型具有透明度和完全适应性，并且能够为大量公司估算排放，具有良好的出样本全球性能，在按行业、按国家或按营业额桶进行评估时具有好的出样本粒度性能。同时，该模型还比其他提供者的估算结果更准确，并且使用 Shapley 值提供了可解释性工具，用户能够了解每个特定公司的温室气体排放分解因素。

Dec, 2022

提出了一种利用适应领域的自然语言处理基础模型估计企业三阶段的排放量的框架，通过运用财务交易作为购买货物和服务的代理，结果显示该框架的性能超越了现有的文本分类模型，并可与专业人员相媲美。该框架能够加速企业规模的三阶段估计，并协助采取适当的气候行动以实现可持续发展目标 13。

Aug, 2023

碳账户，E-liability 碳计量方法，排放责任管理，E-Liability 知识图谱框架，AI 辅助知识图谱在实现全球供应链透明度和脱碳方面的作用。

Nov, 2023

本文介绍了利用自然语言处理技术构建的问答型模型 ClimateQA，该模型可用于分析财务报告以确定与气候相关的内容，以应对气候变化对全球股市等投资领域的巨大影响。

Nov, 2020

通过引入一种功能框架，我们可以实现实时跟踪机器学习的能源消耗和碳排放，并生成标准化的在线附录。利用此框架，我们创建了一个能源高效强化学习算法排行榜，以激励负责任的研究，并提出了减少碳排放和节约能源的策略，以推动机器学习领域的可持续发展。

Jan, 2020

本文提供了一个适用于企业的机器学习模型生命周期管理成熟度框架，旨在解决为 AI 应用定义业务用例、将业务需求转化为数据科学家的数据需求、连续提高 AI 应用程序的准确度和公平性，以及专门针对特定情况定制通用机器学习模型等方面的问题。该框架重新解释了软件能力成熟度模型，并提出了许多最佳实践，可以帮助企业在不考虑其起点的情况下实现更高的成熟度水平。

Nov, 2018

本文介绍了一种新方法，通过利用领域专家的知识来增强 Large Language Models（LLMs）以自动化分析公司可持续性报告，并将其与《气候相关金融信息披露任务组》（TCFD）的建议进行基准比较。

Jun, 2023