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