PatchTST（Patch Time Series Transformer）是一种面向时间序列预测任务而专门设计的Transformer变体，其核心创新在于引入“patch”机制以重构输入序列的表示方式。具体而言，该方法将原始时间序列划分为若干局部连续子序列（即patches），每个patch通过线性投影映射为固定维度的嵌入向量，从而在保留局部时序结构的同时降低序列长度，缓解标准Transformer在长序列建模中面临的计算复杂度高与注意力分散问题。相较于直接对单个时间点建模的传统方法，PatchTST通过聚合局部上下文信息，增强了模型对短期动态模式与长期趋势的联合建模能力，在多个基准数据集上展现出显著的预测性能优势。
为进一步提升模型性能并实现超参数配置的自动化，本文采用贝叶斯优化（Bayesian Optimization, BO）对PatchTST的关键超参数进行高效搜索。贝叶斯优化是一种基于概率代理模型（通常为高斯过程）与采集函数（如Expected Improvement, EI）的序列黑箱优化方法，特别适用于目标函数评估代价高昂且梯度不可导的场景。通过在验证集上迭代评估不同超参数组合下的预测误差（如MSE或MAE），贝叶斯优化构建超参数与模型性能之间的后验分布，并据此智能选择下一轮最有潜力的配置，从而以较少的试验次数逼近全局最优解。
综上所述，所提出的基于贝叶斯优化的PatchTST算法有效融合了深度时序建模与智能超参数调优的优势。该方法不仅克服了传统Transformer在时间序列预测中易受噪声干扰、泛化能力受限等缺陷，还显著降低了人工调参的主观性与计算开销。算法具备良好的理论价值与工程应用前景，尤其适用于对预测鲁棒性与自动化程度要求较高的实际场景。
专题推荐：代码分享，典藏级代码，原创代码改进，论文思路，免责声明（点击即可跳转）【重磅更新】时间序列预测【原创改进matlab和python代码】合集2025.10.19原创未发表！改进的时间序列预测python代码，小论文直接写！更新！无版面费，硕士独作可发，无需基金，审稿巨快的电气工程领域知网收录普刊汇总【重磅更新】电力系统优化调度【原创改进matlab代码】合集2025.12.6
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：创新点解读：基于贝叶斯优化PatchTST的时间序列预测算法（附代码实现）
)
