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

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

本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 LSTM 模型进行准确的预测，为政策决策，缓解策略和应对气候变化提供洞察。

Jul, 2023

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

本研究使用世界银行数据集，通过采用机器学习技术对未来十年二氧化碳排放情况进行预测，并对决策树、线性回归、随机森林和支持向量机等不同机器学习模型在相似数据集上的预测表现进行比较。

Nov, 2022

通过 Kaya 恒等式，我们使用神经 ODE 模型预测与碳排放有关的多个指标在国家层面上的演变，包括人口、人均 GDP、GDP 能源强度和能源的碳强度，并将该模型与基准统计模型 - VAR - 进行了比较，并获得了良好的表现。我们得出结论，这种机器学习方法可用于产生广泛的结果，并为决策者提供有意义的见解。

Jan, 2022

通过使用多头卷积神经网络，本研究提出为给定的独立系统运营商生成次日边际和平均排放预测的方法，并呈现了一种近实时的工作流程以完全开发给定调度计划的排放影响。

Oct, 2023

本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

Nov, 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