利用Patchformer推进长期多能源负荷预测：一种基于分块和Transformer的方法
机器学习
2024-04-17 v1 人工智能
摘要
在实际应用中对长期多能源负荷预测需求日益增长的背景下，本文介绍了Patchformer，这是一种将分块嵌入与基于编码器-解码器的Transformer架构相结合的新型模型。为了解决现有基于Transformer的模型在长期预测中难以处理复杂时间模式的局限性，Patchformer采用了分块嵌入，通过将多元时间序列数据分离为多个单变量数据，并将每个单变量数据分割成多个分块来进行预测。这种方法有效地增强了模型捕捉局部和全局语义依赖关系的能力。数值分析表明，在新型多能源数据集和其他基准数据集上，Patchformer在多元和单变量长期预测中均获得了整体更优的预测精度。此外，研究还发现了能源相关产品之间的相互依赖性对Patchformer及其他对比模型在长期时间序列预测性能上的积极影响，并展示了Patchformer相对于其他模型的优越性，这代表了在处理长期多能源预测的相互依赖性和复杂性方面的一项重大进展。最后，Patchformer被证明是唯一一个模型性能与过去序列长度呈正相关的模型，这表明了其捕捉长程过去局部语义信息的能力。
引用
@article{arxiv.2404.10458,
title = {Advancing Long-Term Multi-Energy Load Forecasting with Patchformer: A Patch and Transformer-Based Approach},
author = {Qiuyi Hong and Fanlin Meng and Felipe Maldonado},
journal= {arXiv preprint arXiv:2404.10458},
year = {2024}
}