时间序列数据在各行业和领域中无处不在,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,都是时间序列数据的例子。在复杂时序预测场景下,长时序、多变量、非平稳等特性严重影响模型的精度。如何高效地选择任务场景下最合适的模型,并获得最佳的结果呢?PaddleX推出了多任务场景自适应寻优的高精度时序分析工具——PP-TSv2,覆盖了时序预测和异常检测两大常见任务,支持了更多的时序任务场景。在没有额外数据的条件下,实现无痛涨点。
该工具有以下几个特点,如果正合您的需求,欢迎使用!
- 场景丰富: 支持时序预测和时序异常检测两大通用任务。时序预测能够准确识别数据中的趋势和周期性变化,通过全面的数据洞察,提前预测未来趋势,从而做出更加明智的决策。时序异常检测能在第一时间发现数据中的异常波动,通过实时预警,迅速应对潜在问题,确保设备的稳定运行。在用电负荷预测、预测性维护、能耗分析、交通流量预估等场景中有重要应用价值。
- 精准度高: 为处理复杂、多变的时序数据而设计,可在多种场景中实现自适应寻优,获得高精度的结果。时序预测任务,在电力场景预测误差降低了20% 以上;时序异常检测,在设备异常监控场景相同精度下,召回提升约5% 。
- 便捷开发: 简单点击UI界面即可完成时序数据的去重、格式转化、数据划分等预处理操作,进行高精度的自定义训练,研发成本低。
- 一键部署: 一键获取PP-TSv2离线部署和服务化部署SDK,助力企业快速工程落地。
立即在线体验:
https://aistudio.baidu.com/projectdetail/paddlex/7044307
效果展示
用电负荷预测
用电负荷受新能源间歇性、波动性等特征影响愈加明显,仅依靠人工经验进行负荷预测,难度越来越大,为了实现电力供需平衡和安全保供,对预测精度要求也越来越高。该工具在真实场景数据下进行了验证,相比前沿模型,预测误差降低20%以上。
备注:mse为均方误差,mae为绝对误差,下同。
交通流量预测
高速公路的交通拥堵问题对于经济和社会的发展存在着诸多负面影响,如何有效缓解交通拥堵成为各方关注的问题。通过时序预测,能够准确的预测未来一段时间某地区的车流量,进而判断拥堵程度和提前进行路线规划。在该场景下进行验证,该工具相比前沿模型,预测误差降低12%以上。
设备异常检测
随着技术的发展,设备运行数据、生产研发数据都在快速增加,传统的统计分析已经无法满足精度的要求。因此,需要采用深度学习的方法来帮助设备进行监控和故障预警,以避免因为设备问题发生停产停工与安全事故等情况。在时序异常检测任务中,使用该工具对传感器获取的设备监控时序数据进行分析,第一时间发现数据中的异常波动。与其他前沿异常检测模型相比,在相同的90%精度下,该工具召回率提升5%,能够准确识别出更多的潜在设备故障。
技术思路
PP-TSv2工具基于启发式搜索的方法,能够针对不同的场景任务高效地选择不同的算法模型,进一步采用集成方法,通过对多个单预测模型的选择和融合,从而达到更佳的预测表现。
为了让PP-TSv2工具在不同任务上有较好的泛化性,PaddleX团队在时序预测和异常检测任务上分别进行了广泛的针对性适配和调优,算法细节都不尽相同。不仅如此,为了大家使用方便,我们发布的PP-TSv2工具通过简单的界面切换即可轻松应对不同的任务,并且不同时序任务的工具箱交互上保持了使用方式上的统一。
PaddleX是面向国内外主流AI硬件的,全流程、高效率的飞桨精选AI模型的一站式AI开发套件。PaddleX的使命是助力AI技术快速落地,愿景是使人人成为AI Developer! PP-TSv2工具已重磅上线PaddleX!快来体验这款高精度时序神器吧!
传送门:
https://aistudio.baidu.com/projectdetail/paddlex/7044307
点击下方链接加入PaddleX官方频道,和大家一起讨论开发经验。
https://aistudio.baidu.com/community/channel/610