PP-TS 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

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。时间序列预测就是运用历史的多维数据进行统计分析，推测出事物未来的发展趋势。

为加快企业智能化转型进程，降低时序技术应用门槛，飞桨持续进行产品技术打磨，推出了基于启发式搜索和集成学习的高精度时序模型 PP-TS，在电力场景数据集上经过验证，精度提升超 20%。

PP-TS 今天正式上线飞桨 AI 套件 PaddleX！源码全部开放！您可以在 AI Studio（星河社区）云端或者 PaddleX 本地端尽情探索！尝试结合到真实的业务场景中去！在工具箱模式中，您只需提供一个场景下的历史数据，PP-TS 就能为您准确预测出该场景下未来一段时间内的数据情况。

数据

训练

评估测试

除 PP-TS 外，飞桨也提供了 8 种业界领先的时序预测方法，即 TimesNet, TiDE, PatchTST,  DLinear, RLinear, NLinear, Nonstationary Transformer 和 XGBoost 以便您对比使用。

PP-TS 核心思想

基于集成方法，相较于传统时序预测，PP-TS 预测更加准确随着 5G 时代的到来，企业逐步进入数字化转型新阶段，面临越来越多复杂时间序列预测场景，如设备剩余寿命预测、电力负荷预测等。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预测的精度，对时序预测任务提出了更高的要求。因此我们采用集成方法，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。在电力场景下，PP-TS 的准确度优于传统模型，预测误差平均降低 30%

通过启发搜索，降低搜索次数

不同单模型具有不同的能力，如 Non-Stationary Transformer 针对数据非平稳场景进行优化，TimesNet 通过多周期分解具有更强的表达能力。可见，不同的算法组合集成会产生不同的预测表现，那么选择什么模型能够达到最佳效果，在选择模型组合的过程中，又如何提高选择效率，这些便是要重点关注和解决的问题。因此我们提出了 PP-TS，通过启发式搜索选择模型集成，降低选择模型组合次数，比如：在 8 个基础单模型的情况下，每个模型都有选择和不被选择两种情况，总的集成组合有 2^8 种，通过启发搜索，能够将搜索的次数压缩到 30 次左右，同时保证了集成的模型能够取得最佳精度。

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 主要从三个角度进行了深入探索，主要包括：

• 基础单模型：深度模型一般拟合能力强，Transformer-based 方法善于捕捉长期依赖，而机器学习方法具有更好的可解释性，PP-TS 选择了前沿深度模型和传统方法的结合，包含 TimesNet, TiDE, PatchTST,  DLinear, RLinear, NLinear, Nonstationary Transformer 和 XGBoost。

• 启发式搜索：将单模型是否被选择建模成 0/1 问题，通过遗传算法，对选择的组合进行精度评估，通过选择交叉变异进化，筛选最优组合。

• 模型集成：将被选择的模型进行集成，结果融合，得到精度最佳的方法。

如何定制个性化的 PP-TS

在真实业务中，一般不建议直接使用通用版的 PP-TS，而是需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，满足真实业务需求。那么，如何打造个性化的 PP-TS 呢？下面让我们一一道来。

创建 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，大家可以在这里找到 PP-TS，阅读其介绍文档，并最终创建属于你自己的 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?supportPaddlex=true&sortBy=weight!

准备评估数据与效果验证

为了客观地评价 PP-TS 的效果，建议大家从业务场景中准备一定量的评估数据进行定量的综合评价。例如，可以准备过去 3 个月的行业数据，根据业务需求标注所关注的字段及其真值。

在对通用的 PP-TS 效果进行评估之后，其结果可以作为 baseline 指导后续针对业务场景的优化工作。

One more thing，未来在飞桨 AI 套件 PaddleX，大家不仅可以开发自己的模型，还可以联创贡献，和平台收益共享！

联创模式不仅可以技术变现，还可以让个人开发者收获满满的成就感，为企业开发者吸引流量和关注，真可谓好事成双！而且，有了大量的用户，就能够收集到有价值的反馈，促进贡献者进一步优化模型，从而吸引更多的用户，可谓双螺旋上升~

为了保护贡献者的知识产权，我们会提供完善的加密鉴权机制，各位贡献者只需要按照我们的文档接入加密鉴权能力，就可以放心地贡献模型啦！关于联创的更多细节，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