乐趣区

关于人工智能:PPTS基于启发式搜索和集成方法的时序预测模型使预测更加准确

jiezi

工夫序列数据在各行业和畛域中无处不在，如物联网传感器的测量后果、每小时的销售额业绩、金融畛域的股票价格等等，都是工夫序列数据的例子。工夫序列预测就是使用历史的多维数据进行统计分析，揣测出事物将来的发展趋势。

为放慢企业智能化转型过程，升高时序技术利用门槛，飞桨继续进行产品技术打磨，推出了基于启发式搜寻和集成学习的高精度时序模型PP-TS，在电力场景数据集上通过验证，精度晋升超 20%。

PP-TS 明天正式上线飞桨 AI 套件 PaddleX！源码全副凋谢！您能够在 AI Studio（星河社区）云端或者 PaddleX 本地端纵情摸索！尝试联合到实在的业务场景中去！在工具箱模式中，您只需提供一个场景下的历史数据，PP-TS 就能为您精确预测出该场景下将来一段时间内的数据状况。
数据

训练

评估测试

除 PP-TS 外，飞桨也提供了 8 种业界当先的时序预测办法，即 TimesNet, TiDE, PatchTST,  DLinear, RLinear, NLinear, Nonstationary Transformer 和 XGBoost 以便您比照应用。

PP-TS 核心思想

基于集成办法，相较于传统时序预测，PP-TS 预测更加精确 随着 5G 时代的到来，企业逐渐进入数字化转型新阶段，面临越来越多简单工夫序列预测场景，如设施残余寿命预测、电力负荷预测等。在简单时序预测场景下，长时序、多变量、非安稳等个性重大影响模型预测的精度，对时序预测工作提出了更高的要求。因而咱们采纳集成办法，通过对多个单预测模型的抉择和交融，从而达到更佳的预测体现。在电力场景下，PP-TS 的准确度优于传统模型，预测误差均匀升高 30%

通过启发搜寻，升高搜寻次数

不同单模型具备不同的能力，如 Non-Stationary Transformer 针对数据非安稳场景进行优化，TimesNet 通过多周期合成具备更强的表达能力。可见，不同的算法组合集成会产生不同的预测体现，那么抉择什么模型可能达到最佳成果，在抉择模型组合的过程中，又如何进步抉择效率，这些便是要重点关注和解决的问题。因而咱们提出了 PP-TS，通过启发式搜寻抉择模型集成，升高抉择模型组合次数，比方：在 8 个根底单模型的状况下，每个模型都有抉择和不被抉择两种状况，总的集成组合有 2^8 种，通过启发搜寻，可能将搜寻的次数压缩到 30 次左右，同时保障了集成的模型可能获得最佳精度。

PP-TS 关键技术点解读

能力更强的 PP-TS，整体的技术框架图，如下图所示：

PP-TS

PP-TS 次要从三个角度进行了深刻摸索，次要包含：

  • 根底单模型：深度模型个别拟合能力强，Transformer-based 办法长于捕获长期依赖，而机器学习办法具备更好的可解释性，PP-TS 抉择了前沿深度模型和传统办法的联合，蕴含 TimesNet, TiDE, PatchTST,  DLinear, RLinear, NLinear, Nonstationary Transformer 和 XGBoost。
  • 启发式搜寻：将单模型是否被抉择建模成 0 / 1 问题，通过遗传算法，对抉择的组合进行精度评估，通过抉择穿插变异进化，筛选最优组合。

  • 模型集成：将被抉择的模型进行集成，后果交融，失去精度最佳的办法。

    如何定制个性化的 PP-TS

在实在业务中，个别不倡议间接应用通用版的 PP-TS，而是须要针对业务场景中的数据类型进行专门的优化适配，以达到足够高的精度和稳定性，满足实在业务需要。那么，如何打造个性化的 PP-TS 呢？上面让咱们一一道来。
创立 PP-TS 模型产线
飞桨 AI 套件 PaddleX 已上线 AI Studio（星河社区），目前的入口在 模型库，大家能够在这里找到 PP-TS，浏览其介绍文档，并最终创立属于你本人的 PP-TS 模型产线。AI Studio（星河社区）模型库链接如下：https://aistudio.baidu.com/aistudio/modelsoverview?supportPad…!

筹备评估数据与成果验证

为了主观地评估 PP-TS 的成果，倡议大家从业务场景中筹备一定量的评估数据进行定量的综合评估。例如，能够筹备过来 3 个月的行业数据，依据 业务需要 标注所关注的字段及其真值。

在对通用的 PP-TS 成果进行评估之后，其后果能够作为 baseline 领导后续针对业务场景的优化工作。

One more thing，将来在飞桨 AI 套件 PaddleX，大家不仅能够开发本人的模型，还能够联创奉献，和平台收益共享！

联创模式不仅能够技术变现，还能够让集体开发者播种满满的成就感，为企业开发者吸引流量和关注，真堪称好事成双！而且，有了大量的用户，就可能收集到有价值的反馈，促成贡献者进一步优化模型，从而吸引更多的用户，堪称双螺旋回升~

为了爱护贡献者的知识产权，咱们会提供欠缺的加密鉴权机制，各位贡献者只须要依照咱们的文档接入加密鉴权能力，就能够释怀地奉献模型啦！对于联创的更多细节，敬请关注飞桨 AI 套件 PaddleX 后续更新！

飞桨 AI 套件 PaddleX 中的 PP-TS

https://aistudio.baidu.com/modelsdetail?modelId=339

PP-TS  GitHub

https://github.com/PaddlePaddle/PaddleTS

退出移动版