#时间预测算法_Intel基于时间序列的智能预测解决方案

数字化转型案例分析。

洞察行业挑战，探寻数字化转型之道。

基于时间序列的智能预测解决方案

(Intel)

时间序列预测方法

随着人工智能、大数据、工业物联网等技术的蓬勃发展，基于AI 技术的智能预测方法正在传统制造、能源、金融、医疗等行业中发挥越来越重要的作用。所谓预测，是根据历史及当前状况，以一定逻辑对事物的未来发展趋势进行预想和判断。合理的预测方法，能有效帮助企业对生产经营资源进行调配和优化。

例如，市场部门可根据销售数据和市场变化实施预测，对销售方案做出优化；生产部门可根据设备日志来预测流水线的产能和故障情况，进而调整未来一段时间内的生产或检修计划。可见，构建良好的预测模型，能切实帮助企业优化产能、实现降本增效。

构建预测方法的重要方法之一，是根据预测目标的当前和历史数据，来推断其未来变化和趋势。因此，数据的时序性(TimeSeries)特性在方案中尤为重要。时序数据是指按时间顺序记录的数据列，其数据的表征口径必须一致。典型的时序数据包括服务器日志、生产流水、销售记录等。如下表 1 所示，在时序数据中，通常会有一列专门的数据类型 timestamp 对时间戳进行标识。

基于时序数据的预测方法，传统上更多是基于经验和规则的判断，准确率和时效性不高。现在通过 AI 方法，例如回归、聚类、决策树等模型的引入，企业得以在海量时序数据中厘清头绪，并结合科学的逻辑推理算法来做出预测，使其效率和准确率大为提升。目前，常见的时间序列预测算法有自回归滑动平均模型(Autoregressive Moving Average Model，ARMA)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)、递归神经网络(Recurrent Neural Networks，RNN)、卷 积 神 经 网 络(ConvolutionalNeural Networks, CNN)、长 短 期 记 忆(Long Short-Term Memory， LSTM)、门控循环单元(Gated Recurrent Unit，GRU)以及 XGBoost 等。

■ 基于时间序列的 AI 预测解决方案

如图 2-2-1 所示，基于时间序列的 AI 预测解决方案目前正广泛地用于产量预测、供应链预测、销量预测、智能运维、电力负载预测等多个领域。其中，用于设备生产效率提升的产能预测、用于设备故障检测的维护性预测及保障企业 IT 设施健康运行的智能运维，是目前备受瞩目的几个应用方向。