基于生成对抗 Transformer 的能源数据自监督时序超分辨率
机器学习
2026-02-16 v4 数值分析
信号处理
数值分析
摘要
为弥合基于能源系统模型（Energy System Models）在能源网络设计与运行中时间粒度之间的差距，需对时间序列进行重采样。虽然常规上采样方法计算高效，但常导致显著信息丢失或增加噪声。时序生成模型、超分辨率模型和插值模型等高级方法显示出潜在的解决路径，但也面临根本性挑战。时序生成模型的目标是学习原始数据的分布，以生成具有相似统计特征的高分辨率序列。这并不完全符合上采样的定义。时序超分辨率模型或插值模型由于输入的低分辨率时间序列稀疏且可能缺乏足够的上下文，可能导致上采样精度下降。此外，这类模型通常依赖监督学习范式，这 presents 一个根本的应用悖论：其训练需要高分辨率时间序列，而在上采样应用场景中，这些高分辨率序列本质上是不存在的。为此，本文引入一种新方法，利用生成对抗 Transformer（GAT）进行建模，这种方法无需接触任何真实高分辨率数据即可进行训练。与常规插值方法相比，所介绍的方法可将上采样任务的均方根误差（RMSE）降低 10%，在模型预测控制（MPC）应用场景中的准确率提升 13%。
关键词
引用
@article{arxiv.2508.10587,
title = {Self-Supervised Temporal Super-Resolution of Energy Data using Generative Adversarial Transformer},
author = {Xuanhao Mu and Gökhan Demirel and Yuzhe Zhang and Jianlei Liu and Thorsten Schlachter and Veit Hagenmeyer},
journal= {arXiv preprint arXiv:2508.10587},
year = {2026}
}
备注
The authors have identified a critical error in the experimental setup (data leakage in the training/validation split) that invalidates the self-supervised learning claims presented in this version. The results are therefore unreliable