二氧化碳等温室气体的大量排放是导致气候发生变化的重要原因,各国一直致力于解决气候问题。碳排放权交易是减少温室气体排放和应对气候变化的重要途径。中国作为最大的二氧化碳排放国,自2013年起,先后建立了七个碳排放权交易市场,旨在利用市场机制进行节能减排,实现绿色低碳发展。因此,碳价格预测在洞察碳市场动态和碳排放配额分配方面发挥着重要作用,是减少温室气体排放和应对气候变化的一项重要工作。然而,传统统计时间序列预测方法一般要求所建模的序列是平稳序列且大多只能捕捉序列中的线性趋势,导致应用面较窄,并不能对碳价格序列特征进行很好地捕捉。目前,许多人工智能模型被广泛用于预测不规则、非平稳的非线性碳价格序列,但这些预测模型往往忽视了碳价格数据预处理的重要性和单一模型存在的固有缺陷,以至于碳价格的精确稳定预测对相关行业从业者和政府来说依旧是一项巨大的挑战。近几年来,组合预测方法发展十分迅速,但这些组合模型的预测组件性能良莠不齐,赋权策略也存在一些缺陷。此外,目前对于碳价格的研究大多只针对于确定性的点预测,对于碳价格的不确定性分析却很少被关注。因此,构建一个稳定的、具有优秀预测性能且包含不确定性分析的碳价格组合预测模型是极其必要的。基于以上原因,本文提出了一种组合预测系统（EPS）对碳价格数据进行预测。同时,基于组合预测系统（EPS）预测误差的最佳拟合分布构建碳价格预测区间对其不确定性进行探究。其主要内容包括数据预处理、确定性分析和不确定性分析三个部分:首先,在数据预处理部分,本文采用改进自适应噪声的完全集合经验模态分解技术（ICEEMDAN）对原始碳价格数据进行分解和重构达到数据特征提取的目的。随后,利用偏自相关函数（PACF）研究碳价格序列间的相关性,对序列进行特征选择,得到预测系统的最佳输入。其次,在碳价格确定性分析中,将本文开发的一种全新深度学习递归框架（GBiLSTM）、卷积神经网络（CNN）和极限学习机（ELM）通过多目标蜻蜓优化算法（MODA）进行赋权结合,对碳价格序列进行确定性点估计。最后,在碳价格不确定性分析部分,对所构建的组合预测系统（EPS）的预测误差的分布情况进行探究,寻找到误差最佳拟合分布函数。基于误差的最佳拟合分布构建碳价格区间预测模型,对碳价格的不确定性信息进行挖掘。本文将上述提出的组合预测系统应用到实际碳价格数据中进行仿真实验,对欧盟碳交易体系（EUETS）、中国深圳（SZ）和北京（BJ）碳价格市场的数据进行预测,以此来验证该模型的有效性及其在不同碳价格市场的适用性。此外,本文构建了一个较为完备的评价指标体系,该评价体系包含七个不同的评价指标（MAE、RMSE、MAPE、IA、PICP、FINAW和AWD）对本文所构建的新型组合预测模型进行较为全面且科学的评价。所提出的组合预测系统（EPS）与经典混合预测模型的对比实验结果表明EPS预测系统在预测准确性和稳定性方面都具有良好的预测表现。本文的具体创新点总结如下:（1）采用ICEEMDAN对原始数据进行分解重构,降低复杂数据的噪声,提取数据有效特征,提高预测系统预测性能。（2）多目标蜻蜓优化算法（MODA）被作为组合预测系统的有效赋权手段,同时从预测精度和预测稳定性两个角度对组合模型的权系数进行优化,克服了单目标优化只能选择一个目标函数的明显缺陷。（3）开发了一种深度学习递归框架（GBiLSTM）,作为组合预测系统（EPS）的一个预测子模型。该深度学习框架将两种递归深度学习算法相结合,能有效处理具有长记性的时间序列,提高了碳价格的预测精度。（4）以往区间预测研究中,误差分布通常假设为高斯分布。本研究利用五种参数分布函数对预测误差进行拟合,寻找最佳误差分布函数,并以此构造碳价格区间预测上下界。