A Hybrid Informer-LightGBM Framework for Enhanced Carbon Emission Forecasting in Industrial Parks
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Accurate short-term forecasting of net purchased power is essential for estimating carbon emissions in electricity-intensive industrial parks. However, existing methods often struggle to capture the nonlinear and dynamic nature of electricity consumption, resulting in persistent residual errors. This paper presents a novel two-stage hybrid framework that integrates an optimized Informer model with LightGBM-based residual learning. The Informer captures long-range temporal dependencies, while LightGBM corrects systematic residuals using a carefully engineered feature set. Validation using six years of data from a Shanghai industry-academia-research innovation park demonstrates superior performance: the Informer-LightGBM hybrid achieves a MAPE of 5.94%, reflecting a 2.3% relative improvement over the standalone Informer and substantial gains over traditional approaches.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- A Hybrid Informer-LightGBM Framework for Enhanced Carbon Emission Forecasting in Industrial Parks
- Date Crossref
- 15/08/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Shanghai Jiao Tong University pays non établi dans la noticeUniversité ou école supérieure
-
Lanzhou University of Technology pays non établi dans la noticeUniversité ou école supérieure
-
School of Design pays non établi dans la noticeUniversité ou école supérieure
-
School of Mechanical Engineering pays non établi dans la noticeUniversité ou école supérieure
Shanghai Jiao Tong University, Lanzhou University of Technology et School of Design, avec 1 autre affiliation.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.