KEV0143/Comparative-analysis-of-hourly-load-forecasting-using-PatchTST-TFT-NHiTS-and-CatBoost
A comprehensive time-series benchmark evaluating state-of-the-art deep learning architectures (PatchTST, TFT, N-HiTS) against traditional gradient boosting (CatBoost) for accurate 24-hour load prediction.
本仓库简介
小时级电力负荷预测的对比分析 – 一个研究导向的 Python 代码库，使用真实世界电力消耗数据对四种现代时间序列模型进行训练与评估：
- PatchTST – 在分块时间序列窗口上运行的 Transformer 模型
- 时序融合 Transformer (TFT) – 可处理静态和动态协变量的 Transformer
- N‑HiTS – 分层神经网络预测架构
- CatBoost – 梯度提升决策树模型（“传统”基线）
作者（来自 MIREA – 俄罗斯技术大学的研究人员）使用该代码比较这些方法在短期（次日、逐小时）负荷预测中的预测精度、统计显著性及实际适用性。该仓库包含数据预处理脚本、模型训练流水线、验证流程和可视化工具，用于生成其 2026 年期刊论文中报告的图表与表格。
关键组件（如 README 所述）
| 组件 | 功能 |
|---|---|
| 数据处理 | 加载一个 11 年的小时级数据集（约 97,000 条记录），包含电力消耗（MW·h）和环境温度，执行基本统计分析，并将序列划分为训练/验证集。 |
| 模型实现 | 包装了四个算法（PatchTST、TFT、N‑HiTS 来自 Darts 库，以及 CatBoost）的封装器，提供统一的训练-验证接口。 |
| 训练与验证 | 在相同训练集上运行每个模型，于保留时间段内进行评估，并计算误差指标（如 MAPE）。 |
| 结果可视化 | 生成消费分布、温度分布、预测值 vs. 实际值曲线等图表，用于论文中。 |
| 可复现性 | 所有代码使用 Python 3.11，深度学习模型使用 PyTorch 2.13，依赖 Darts 时间序列库，以及 CatBoost 和 pandas 进行数据操作。 |
哪些人可能对此感兴趣？
- 需要参考实现来评估其自身数据上最先进负荷预测模型的能源分析师和电力公司
- 寻找梯度提升与多种 Transformer 架构之间具体、可复现比较的时间序列机器学习研究人员
- 想要一个即用型流水线进行实验的电力系统应用机器学习学生
快速上手（基于 README）
- 克隆仓库
git clone https://github.com/KEV0143/Comparative-analysis-of-hourly-load-forecasting-using-PatchTST-TFT-NHiTS-and-CatBoost.git cd Comparative-analysis-of-hourly-load-forecasting-using-PatchTST-TFT-NHiTS-and-CatBoost - 安装依赖（需 Python 3.11）
pip install -r requirements.txt # README 列出了 pandas、PyTorch、Darts、CatBoost 等 - 运行流水线 – 主脚本（如
run_experiment.py– 从典型结构推断）将：- 加载提供的小时级消费与温度 CSV 文件
- 执行论文中展示的统计摘要
- 训练四个模型中的每一个
- 评估并绘制结果
- 检查输出 – 生成的图表（分布图、预测图）保存在
output/文件夹中，可与附带的期刊论文中的图表进行对比。
技术栈（明确提及）
- Python 3.11
- PyTorch 2.13 – PatchTST、TFT、N‑HiTS 的深度学习后端
- Darts – 提供 N‑HiTS 和 TFT 实现的高级时间序列库
- CatBoost – 基线模型的梯度提升库
- pandas – 数据加载与预处理
许可证
本项目采用 Apache 2.0 许可证发布，允许在注明出处的前提下自由使用、修改和分发。
引用
若使用代码或结果，请引用相关论文：
Dzgoev A.E., Klimkin E.V., Chernyauskas V.V., Brailovsky A.V., Rezhenkov R.N.
"Прогнозирование нагрузки на каждый час суток с помощью PatchTST и Temporal Fusion Transformer: сравнительный системный анализ с традиционными методами бустинга (CatBoost) и нейросетевыми моделями на базе N‑HiTS".
Известия Кабардино‑Балкарского научного центра РАН, 2026, Vol 28, No 3, pp. 49‑70. DOI: 10.35330/1991-6639-2026-28-3-49-70
相关
- 项目
- 项目
- 项目
- 项目