PaddleX场景实战：PP-TS在电压预测场景上的应用

本文主要是介绍PaddleX场景实战：PP-TS在电压预测场景上的应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

时间序列是按照时间发生的先后顺序进行排列的数据点序列，简称时序。时间序列预测即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。时间序列预测是最常见的时序问题之一，在很多行业都有其应用，且通常时序预测效果对业务有着重大影响。例如：

零售企业： 预测产品销量，可以为企业备货、配送、运营策略的制定提供有效依据，显著降本增效；
电网公司： 预测发电量与用电量，可以使电网的调度更加合理化，发挥最大效能；
制造企业： 提前预测生产设备可能发生的故障，可以提前预警、维修，降低停工造成的损失；
新能源车企： 实时预测电池剩余电量、预测剩余寿命，可以更经济、更合理的使用车辆；
金融领域： 利率、股票、现金流、外汇等走势预测都对经济产生重大影响。

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目前已正式上线飞桨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，灵活选择工具箱或开发者模式，尝试结合到真实的业务场景中去。

注：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。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。

精彩直播预告

为了让广大开发者和企业更详细了解以及便捷地应用PP-TS，百度高级工程师孙婷将于10月25日（周三）20:30为大家带来一期精品课程，深度解析时间序列预测技术和适用场景，更有基于PaddleX中高精度PP-TS模型完成电压时序预测的实战教学。未来，我们也将持续为广大开发者和企业带来飞桨AI套件PaddleX中精选模型技术详解与场景范例，敬请期待！

关注「飞桨PaddlePaddle」，获取更多直播最新动态～

基于PaddleX的时序预测项目实战教学

PP-TS整体介绍

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。因此我们基于启发式搜索和集成方法研发的时序预测模型PP-TS，能够根据不同场景自适应的选择模型，并通过模型融合助力预测更加准确。 整体的技术框架图，如下图所示：

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。

如何创建PP-TS模型产线

飞桨AI套件PaddleX已上线飞桨AI Studio星河社区，大家可通过项目大厅进入到PaddleX官网，在精选模型库中选择PP-TS，创建属于你自己的PP-TS模型产线。