FTimeXer：面向鲁棒碳足迹预测的频域感知时序Transformer与外生变量建模
机器学习
2026-04-06 v1
摘要
准确且及时的电网碳足迹预测对于有效的产品碳足迹（PCF）核算和明智的脱碳决策至关重要。然而，电网碳强度表现出高度非平稳性，现有方法往往难以有效利用周期性和振荡性模式。此外，这些方法在面对不规则外生输入（如缺失数据或错位）时往往表现不佳。为应对这些挑战，我们提出了 FTimeXer，一种面向鲁棒训练方案的频域感知时序Transformer，能够容纳外生因素。FTimeXer 具备由快速傅里叶变换（FFT）驱动的频域分支，结合门控时频融合机制，能够有效捕获多尺度周期性。它还采用随机外生掩码与一致性正则化相结合的策略，有助于减少虚假相关性并增强稳定性。在三个真实数据集上进行的实验显示，相对于强基线方法实现了持续改进。这些增强带来了更可靠的电网碳因子预测，对于有效的 PCF 核算和明智的脱碳决策至关重要。
引用
@article{arxiv.2604.02347,
title = {FTimeXer: Frequency-aware Time-series Transformer with Exogenous variables for Robust Carbon Footprint Forecasting},
author = {Qingzhong Li and Yue Hu and Zhou Long and Qingchang Ma and Hui Ma and Jinhai Sa},
journal= {arXiv preprint arXiv:2604.02347},
year = {2026}
}
备注
Accepted by The 5th International Conference on Electronics Technology and Artificial Intelligence (ETAI 2026)