重磅首发！PaddleTS飞桨时序建模算法库，预测性维护、智慧能耗分析等一网打尽

发布日期：2022-08-16T06:35:30.000+0000 浏览量：4086次

近日，百度发布了基于飞桨深度学习框架的开源时序建模算法库PaddleTS，专注于为产业提供先进及实用的时间序列深度学习模型，助力工业、能源、金融等领域专家和行业用户快速实现时间序列模型的开发和应用。

时间序列数据在各领域中无处不在，如物联网传感器的测量结果、每小时的销售额业绩、金融领域的股票价格等等。时间序列预测就是运用历史的多维数据进行统计分析，推测出事物的发展趋势，在预测性维护、智慧能耗分析、价格销量预估等场景有极大的应用价值。随着人工智能技术的快速发展，相较于传统模型，采用机器学习模型来解决时序预测问题成为主流方式，机器学习具有拟合能力较强、解释性强等优势，但存在需要人工设计特征，灵活性不足等问题。

随着企业面临的复杂时间序列预测场景越来越多，复杂时序预测场景下的长时序、多变量、非平稳等特性严重影响模型预测的精度。这要求模型具有较强的解决长距离依赖问题的能力，可以捕捉和利用多变量之间的动态相关性。传统的机器学习模型无法有效的解决这些问题，而深度学习的发展恰好为时序分析预测提供了新路径。深度学习天然契合时序问题，具有拟合能力强、表达能力强、灵活度高等特点，能够适应复杂的应用场景，具有更高的效果潜力。百度最新开源发布的PaddleTS可以帮助开发者实现时序数据处理、分析、建模、预测全流程。

统一的时序数据结构

实现对多样化时序数据的表达，支持单目标与多目标变量，支持多类型协变量；

全面的基础模型功能

数据加载、回调设置、损失函数、训练过程控制等公共方法，帮助开发者在新模型开发过程中专注网络结构本身；

丰富的数据处理和分析算子

包括缺失值填充、异常值处理、归一化、时间相关的协变量提取等数据转化算子，数据统计量信息及数据摘要等分析算子，帮助开发者便捷实现数据探索、处理、分析全流程；

领先的深度时序算法

集成了多种业界最新的深度时序建模算法，方便开发者灵活使用，包括：

N-BEATS: 设计多项式函数与调和函数生成器提取具有可解释性的时序分解结果
NHiTS: 通过多层插值与多比率数据抽样技术解决长序列预测问题；
LSTNet: 同时利用卷积层和循环层的优势，提取时间序列多变量之间的局部依赖模式和捕获复杂的长期依赖；
TCN：结合膨胀卷积和因果卷积以对更长的历史信息建模；
Transformer：通过注意力机制捕获输入/输出序列的内部长距离依赖关系。

未来，会进一步集成更丰富的深度时序算法，发布更多的高级特性，包括但不限于：自动超参寻优、时序表征模型、概率预测模型、场景化建模流水线等。

PaddleTS的应用场景

目前，PaddleTS的时序建模能力已应用于电力负荷预测、新能源功率预测、设备故障诊断等多种复杂时间序列预测场景。例如，在山东某地电力系统上， 基于PaddleTS的时序建模能力打造的高精度母线负荷预测系统，整体预测准确率98.2% ，有效应对了清洁能源给电网带来的高随机性和高波动性，为电网安全稳定运行提供了有力的支撑。PaddleTS时序建模能力能够充分挖掘负荷数据在时间序列上的潜在规律，同时采用迁移学习、表征学习等方法提升模型的泛化能力，使得模型能够更好的适应新能源的“双高”特性带来的数据分布变化，增强系统鲁棒性。