English(EN) Federated Learning for Global Carbon Emission Forecasting: A Hybrid Time-Series Approach with Statistical and Neural Models

联邦学习框架通过混合模型增强碳排放预测能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-21 17:58

本文介绍了一种新颖的联邦学习框架，旨在实现准确且注重隐私保护的全球碳排放预测。该方法结合了ARIMA和GARCH等统计模型以及LSTM-Attention和XGBoost等神经网络组件。在14个客户端进行的实验证明了其强大的性能，平均R2值为0.73，平均MAPE为6.5%，为协作减缓气候变化提供了可扩展且合规的解决方案。 AI

影响该研究提供了一种注重隐私的协作减缓气候变化的方法，有可能提高全球政策的准确性。

排序理由该集群包含一篇学术论文，详细介绍了使用联邦学习进行碳排放预测的新型混合时间序列方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

Hugging Face Daily Papers TIER_1 English(EN) · 2026-06-21 17:58

Federated Learning for Global Carbon Emission Forecasting: A Hybrid Time-Series Approach with Statistical and Neural Models

Climate change, primarily driven by carbon dioxide (CO2) emissions, requires accurate forecasting tools to support effective mitigation policies and sustainable development strategies. Existing forecasting approaches typically rely on centralized data collection, which is often r…

报道来源 [1]

Federated Learning for Global Carbon Emission Forecasting: A Hybrid Time-Series Approach with Statistical and Neural Models

相关实体

相关话题