本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

給定一段時期的歷史數(shù)據(jù)，AI能否準確預測天氣變化、電網(wǎng)負荷需求、交通擁堵狀況？這是個時序預測問題。阿里巴巴達摩院近期提出一種長時序預測的新模型FEDformer，精準度比業(yè)界最優(yōu)方法提升14.8%以上，模型已應(yīng)用于電網(wǎng)負荷預測。相關(guān)論文已被機器學習頂會ICML2022收錄。

ICML是機器學習領(lǐng)域的頂級學術(shù)會議，2022年度會議將于本周日（7月17日）開幕。達摩院決策智能實驗室的論文《FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting》關(guān)注了機器學習領(lǐng)域的經(jīng)典問題：時序預測。

時間序列預測（Time Series Forecasting），通俗理解就是利用歷史數(shù)據(jù)預測未來信息。預測可分為短期、中期和長期預測，需要預測的時間窗口越長，預測難度就越大。這項技術(shù)在氣象、電力、零售、交通等諸多行業(yè)有廣泛應(yīng)用。

傳統(tǒng)的時序預測模型一般采用LSTM、CNN等方法，精準度和使用場景都較為有限，無力處理大規(guī)模數(shù)據(jù)。近些年來，研究人員開始將transformer模型引入長時序預測，但效果仍不夠理想，簡單地說該模型核心中的注意力機制模塊對時序數(shù)據(jù)不夠敏感。

達摩院提出的長時序預測模型FEDformer，融合transformer和經(jīng)典信號處理方法。比如，利用傅立葉/小波變換將時域信息拆解為頻域信息，讓transformer更好地學習長時序中的依賴關(guān)系。FEDformer也能排除干擾，具有更好的魯棒性。其中專門設(shè)計了周期趨勢項分解模塊，通過多次分解以降低輸入輸出的波動，進一步提升預測精度。

達摩院FEDformer模型架構(gòu)

實驗證明，達摩院新模型在電力、交通、氣象等6個標準數(shù)據(jù)集上均取得最佳紀錄，預測精準度較此前業(yè)界最佳模型分別提升14.8%（多變量）和22.6%（單變量）。值得一提的是，該模型已走出實驗室，在區(qū)域電網(wǎng)完成概念驗證，明顯提升電網(wǎng)負荷預測準確率。

達摩院FEDformer模型在6個數(shù)據(jù)集均取得最佳紀錄

據(jù)了解，達摩院決策智能實驗室旨在用數(shù)學建模來解決真實世界的復雜問題，其重點研究方向包括時序預測，今年剛在ICASSP'22 AIOps Challenge獲得冠軍?；谧匝械臅r序預測、優(yōu)化求解器MindOpt、安全強化學習等底層技術(shù)，達摩院打造的綠色能源AI，已逐步落地全國多家電網(wǎng)和發(fā)電企業(yè)，促進綠色能源消納和電網(wǎng)安全運行。