EnergyPatchTST：用于能源预测的多尺度时间序列 Transformer 及不确定性估计
机器学习
2025-08-08 v1 人工智能
摘要
准确可靠的能源时间序列预测对于电力生产计划和资源配置具有重大意义。目前，深度学习时间序列预测已成为主流方法，但现有方法在处理多尺度时间动力学及实际数据的不规则性方面存在局限。因此，我们提出了 EnergyPatchTST，这是一种专为能源预测设计的 Patch Time Series Transformer 的扩展。我们方法的主要创新点包括：（1）多尺度特征提取机制以捕获不同时间分辨率的模式；（2）概率预测框架通过蒙特卡洛消除来估计不确定性；（3）整合未来已知变量（如温度和风力条件）的路径；（4）预训练和微调示例以提升有限能源数据集的性能。在常用能源数据集上的一系列实验表明，EnergyPatchTST 在其他常用方法中表现优越，预测误差降低 7-12%，并提供可靠的不确定性估计，为能源领域的时间序列预测提供了重要参考。
关键词
引用
@article{arxiv.2508.05454,
title = {EnergyPatchTST: Multi-scale Time Series Transformers with Uncertainty Estimation for Energy Forecasting},
author = {Wei Li and Zixin Wang and Qizheng Sun and Qixiang Gao and Fenglei Yang},
journal= {arXiv preprint arXiv:2508.05454},
year = {2025}
}
备注
Accepted for publication at the International Conference on Intelligent Computing (ICIC 2025). 12 pages. The final authenticated version is published in the Lecture Notes in Computer Science (LNCS) series, vol 15860, and is available online. This is the author's version of the work submitted for peer review