程序名称：基于RFAConv-BiGRU的多变量时间序列预测
实现平台：python—Jupyter Notebook
代码简介：构建了基于RFAConv（感受野注意力卷积）-BiGRU（双向门控循环单元）多变量时间序列预测。高创新点，原创未发表，注释超详细，几乎每行一注释。限量。
RFAConv（Receptive-Field Attention Convolution）的核心原理是通过引入感受野注意力（Receptive-Field Attention, RFA）机制来解决传统卷积操作中参数共享的问题，并增强卷积层对局部特征的捕捉能力。
1.感受野注意力（Receptive-Field Attention, RFA）
感受野空间特征（Receptive-Field Spatial Feature）：RFAConv 的关键在于引入了感受野空间特征的概念。与传统的空间注意力机制（如CBAM和CA）不同，RFA 不仅关注空间特征，还特别关注感受野内的空间特征。感受野空间特征是根据卷积核的大小动态生成的，每个感受野内的特征被视为一个独立的单元。动态权重分配：RFA 通过为每个感受野内的特征分配不同的权重，解决了传统卷积操作中参数共享的问题。这种动态权重分配使得模型能够更好地捕捉局部特征的差异，从而提高特征提取的效率。
2.RFAConv 的结构
感受野特征提取：RFAConv 使用一种快速的方法（如Group Convolution）来提取感受野空间特征，而不是传统的 Unfold 方法。这种方法不仅提高了效率，还减少了计算开销。注意力权重生成：通过全局平均池化（AvgPool）和1×1卷积（1×1 group convolution）生成每个感受野内的注意力权重。这些权重通过softmax函数进行归一化，以强调每个特征的重要性。特征融合：最终，RFAConv 将生成的注意力权重与感受野空间特征相乘，得到加权后的特征图。这些特征图再通过一个标准的卷积操作（如3×3卷积）进行进一步的特征提取。
原文RFAConv的提出用于机器视觉领域，现有大部分结合该算法的文献也都是应用于图像识别等（如结合YOLO），本代码创新性的将RFAConv与双向门控循环单元结合，应用于时间序列预测。
RFAConv的核心在于动态分配感受野权重，彻底解决传统卷积的“一刀切”问题。在代码里，它通过三步精准操作实现：第一步，用AveragePooling2D（池化窗口=卷积核大小）对输入做局部聚合，生成感受野基础特征；接着用Conv2D（1×1分组卷积，groups=in_channel）将特征通道扩展为in_channel * (kernel_size²)，再通过softmax在感受野维度上归一化权重（比如3×3核就生成9个权重，动态强调关键区域）。第二步，用标准卷积（kernel_size）生成原始特征，经BatchNormalization和ReLU激活后，与第一步的权重相乘（feature * weight），实现局部特征加权。第三步，通过transpose和reshape重排张量（比如把(8, 3, 3, 10, 10)转成(8, 3, 30, 30)），再用Conv2D输出最终特征图。整个过程像给每个时间点“配专属眼镜”——比如光伏数据中，RFAConv会自动放大骤变点（如云层遮挡）的权重，而忽略平稳区域，让模型更聚焦关键模式。
模型把RFAConv嵌入时间序列处理的“黄金链条”：输入数据先被Reshape成(batch, time_steps, features, 1)（像把时间线压成单通道图像），RFAConv（in_channel=1, out_channel=32）精准提取局部特征后，立刻用Reshape转为(batch, sequence_length, features)——这步超关键！它把二维卷积输出无缝喂给BiGRU。BiGRU作为“时间侦探”，用双向结构（正向看趋势、反向看回溯）捕捉长距离依赖，而RFAConv的加权特征就像给BiGRU的“情报包”：比如光伏出力的早高峰和晚高峰，RFAConv已提前标出关键时段，BiGRU就能更高效地串联这些片段。最后BiGRU输出经Dropout防过拟合，接全连接层输出预测值。这种组合绝了——RFAConv负责“局部火眼金睛”，BiGRU负责“全局战略推演”，（代码里每行注释都超到位，连reshape的维度计算都写得明明白白，太走心了！）
参考文献：《RFAConv: Innovating Spatial Attention and Standard Convolutional Operation》
代码获取方式：【原创改进代码】基于RFAConv（感受野注意力卷积）-BiGRU（双向门控循环单元）多变量时间序列预测
预测集评价指标:
均方误差 (MSE): 0.008375
平均绝对误差 (MAE): 0.049102
均方根误差 (RMSE): 0.091514
决定系数 (R²): 0.907157
程序名称：基于Bayes-PatchTST的综合能源负荷多变量时间序列预测
实现平台：python—Jupyter Notebook
代码简介：构建了基于贝叶斯优化的PatchTST能源负荷多变量时间序列预测模型。
贝叶斯优化是一种高效的全局优化方法，特别适用于目标函数计算成本高、无法求导或评估耗时的场景，如机器学习模型的超参数调优。其核心思想是通过构建一个概率代理模型（如高斯过程）来近似真实的目标函数，并利用采集函数在“探索未知区域”和“利用已知优秀区域”之间取得平衡，从而以尽可能少的评估次数找到接近最优的参数组合。
PatchTST（Patch Time Series Transformer）是一种专为时间序列预测任务设计的Transformer架构，其核心思想借鉴了计算机视觉中Vision Transformer（ViT）的“图像分块（patching）”策略，并将其适配到一维时间序列数据上。该方法由NeurIPS 2023的一篇论文《A Time Series is Worth 64 Words: Long-term Forecasting with Transformers》提出，旨在解决传统Transformer在长序列时间序列预测（Long-term Time Series Forecasting, LTSF）中存在的注意力机制效率低、对局部时序模式建模能力弱等问题。
代码实现了一个基于PatchTST（Patch Time Series Transformer）架构的时间序列预测模型，并通过贝叶斯优化（Optuna）自动搜索最优超参数，以提升模型在综合能源负荷数据上的预测性能。整体流程可分为以下几个阶段：首先，在“复现控制”部分固定了Python、NumPy和TensorFlow的随机种子，确保实验结果可复现；接着，从Excel文件中读取能源负荷数据，利用滑动窗口方法构建输入-输出样本对；随后，对输入特征和目标变量分别进行Min-Max标准化处理，并按时间顺序划分训练集与测试集，避免打乱时序结构。在此基础上，定义了PatchTST模型类：该模型将输入序列划分为若干长度的patch，通过全连接层将每个patch映射到高维嵌入空间，并加入可学习的位置编码；随后堆叠多层Transformer模块（每层包含多头自注意力机制、前馈网络及LayerNorm归一化），最后通过全局平均池化和全连接层输出单步预测结果。为了优化模型性能，采用Optuna框架执行贝叶斯超参数搜索，在多次试验中自动调整d_model、n_heads、d_ff、n_layers、dropout和学习率等关键参数，并以验证集最小MSE作为优化目标。获得最优参数后，分别构建并训练最优参数模型与默认参数模型，两者均在相同数据上训练20个epoch。最后，通过对比两种模型的训练/验证损失曲线、MAE变化趋势、实际值与预测值的时间序列图以及散点图，全面评估其预测效果；同时计算MSE、MAE和R²三项指标，量化显示贝叶斯优化带来的性能提升（如MSE降低百分比等），从而验证了自动化超参数调优在时间序列预测任务中的有效性。
参考文献：《A Time Series Is Worth 64 Words: Long-Term Forecasting with Transformers》
代码获取方式：【原创代码改进】基于贝叶斯优化的PatchTST综合能源负荷多变量时间序列预测
