文 / Chen Liang 和 Yifeng Lu,Google Research Brain 团队软件工程师
时间序列预测是机器学习 (ML) 重要的研究领域,对于零售、供应链、能源、金融等准确预测至关重要的行业而言更是如此。举例来说,在消费品领域,需求预测的准确率每提高 10-20%,就可以减少 5% 的库存并增加 2-3% 的收入。
目前基于 ML 的预测解决方案通常由专家打造,且需要在模型构建、特征工程和超参数调整等方面投入大量的人力。不过,这类专业知识可能无法大规模应用,这就限制了在时间序列预测挑战中应用 ML 会带来的好处。
为解决这个问题,自动化机器学习 (AutoML) 通过创建 ML 模型过程的自动化实现 ML 的使用范围扩展,并于近期加快了 ML 研究及 ML 在现实问题中的应用。
例如,我们最初将其应用于神经架构搜索,带来了计算机视觉层面的突破,如 NasNet、AmoebaNet 和 EfficientNet,同时还在自然语言处理方面取得了进展,如 Evolved Transformer。最近,我们还对表格式数据应用了 AutoML。
神经架构搜索
https://ai.googleblog.com/2017/05/using-machine-learning-to-explore.html
今天,我们将介绍一种针对时间序列预测的端到端可扩展 AutoML 解决方案,它符合以下三个重要标准:
完全自动化:该解决方案将接受的数据作为输入,并生成可使用的 TensorFlow 模型作为输出,整个过程无需人工干预。
通用:该解决方案适用于大多数时间序列预测任务,并会自动为每项任务找寻最佳的模型配置。
高质量:与那些专为特定任务而人工构建的模型相比,该解决方案生成的模型质量更具竞争力。
TensorFlow
https://tensorflow.google.cn/