3行代码建模，操练速度提拔200%？那款时序开源神器PaddleTS太强了！

时序是什么？时序揣测能够为营业带来哪些价值？产物销量揣测、电池剩余寿命揣测……那些高价值场景若何进步揣测准确率？深度进修模子在时序揣测有什么优势？若何觅得一款集前沿高尖时序手艺的产物，为营业所用？

近日，百度飞桨重磅发布了一款开源时序建模算法库——PaddleTS，能够搀扶帮助开发者实现时序数据处置、阐发、建模、揣测全流程，具有更优的利用体验：

超易用：3行代码即可完成时序建模

速度快：模子操练效率比同类产物快2倍

效果好：时序专属的主动建模与集成揣测效果凸起

时间序列是根据时间发作的先后挨次停止摆列的数据点序列，简称时序。时间序列揣测是最常见的时序问题之一，在良多行业都有时序揣测的利用，且凡是时序揣测效果对营业有着严重影响。例如：

零售企业 ：准确的揣测产物销量，能够为企业备货、配送、运营战略的造定供给有效根据，显著降本增效；

电网公司：准确的揣测发电量与用电量，能够使电网的调度愈加合理化，发扬更大效能；

造造企业：提早揣测消费设备可能发作的毛病，能够提早预警、维修，降低停工形成的缺失；

新能源车企：实时揣测电池剩余电量、揣测剩余寿命，能够更经济、更合理的利用车辆；

金融范畴：利率、股票、现金流、外汇等走势揣测都对经济产生严重影响。

不只如斯，时间序列揣测还在金融利率揣测、股票颠簸率揣测、现金流揣测等关键场景发扬严重感化。

工业设备反常检测

典范的机器进修算法利用到时间序列揣测中，其优势在于模子利用乖巧、操练简单，但也存在明显的缺点，需要大量的人工工做在特征工程上。近年来，深度进修逐渐在语音、视觉、天然语言理解等范畴得到普遍利用，其算法的优势明显。起首，它能够主动捕获关键特征，不需要依靠统计学常识，不需要复杂的特征工程；其次，它在建模流程与准确率上有着机器进修不成相比的优势；此外，它还具备良多功用优势，如利用乖巧、表达力强、兼容多样性等。

既然深度进修那么优良，怎么为时序场景营业所用呢？PaddleTS供给了一系列先辈的基于深度进修手艺的时序建模算法及相关组件，它功用丰富、简单易用、效果领先，包罗能源、交通、造造等多个行业客户早已利用起来，还不快来尝尝~~

GitHub传送门

加进PaddleTS手艺交换群

2. 查看群通知布告领取福利

功用全面丰富

PaddleTS笼盖时序揣测和时序反常检测两大核心利用场景，针对建模全流程，供给了丰富的功用。既撑持单变量也撑持多变量的时序阐发，同时还具备模子合成、主动建模及丰富的建模东西组件。PaddleTS无论是在功用丰富度上，仍是在集成的时序算法数量上，都超越了市道上典型的开源时序产物。除了根底才能以外，产物还有以下特色功用：

全面的数据类型撑持 ：PaddleTS供给的 协变量撑持 功用，撑持汗青看测协变量、将来可知协变量、静态协变量和分类变量等各类协变量数据类型，搀扶帮助开发者有效操纵各类数据足够发扬数据的价值。

支流别致的深度模子：PaddleTS集成了Transformer、 TCN、 VAE、 TS2Vec、N-beats等丰富的深度进修模子，能够很好的捕获复杂时序场景中的多变量动态依靠关系，处理长周期、多变量、小样本等问题，获得更好的模子效果。

丰富的阐发建模东西集：PaddleTS内置了时序特征处置、数据阐发、回测、滚动揣测、主动建模、模子合成等阐发建模过程中十分适用的功用，能够搀扶帮助开发者削减编码数量，提拔开发效率。

简单易用、快速上手

不需要深入的专业布景和复杂的特征工程

3行代码实现时序建模

PaddleTS笼盖了大部门支流深度进修模子，开发者只需将数据根据格局要求灌进数据集，再通过简单的回一化处置即可停止模子操练揣测。相较于传通盘计模子对开发者统计常识的要求，机器进修模子在操练前复杂的特征工程，开发者利用PaddleTS构建深度进修模子愈加快速、简单。

时序建模代码示例

dataset = TSDataset.load_from_dataframe(df, **kwargs)

mlp = MLPRegressor(in_chunk_len = 7 * 24, out_chunk_len = 24)

mlp.fit(dataset)

兼容第三方库，机器进修模子也能高效操纵

PaddleTS默认集成了sklearn、pyod等第三方库，处理了传统机器进修办法不克不及间接用于时序数据，且建模过程复杂等问题。开发者通过几行代码即可实现传统机器进修的挪用，搭配PaddleTS中丰富的建模全流程东西，足够称心个性化需求。

时序揣测代码示例

ts_forecasting_model = make_ml_model(sklearn.linear_model.LinearRegression, in_chunk_len=16, out_chunk_len=1)

ts_forecasting_model.fit(tsdataset)

res = ts_forecasting_model.predict(tsdataset)

时序反常检测代码示例

ts_anomaly_model = make_ml_model(pyod.models.knn.KNN, in_chunk_len=16)

ts_anomaly_model.fit(tsdataset)

res = ts_anomaly_model.predict(tsdataset)

时序专属的主动建模与集成揣测器

战略更优、操做更简单

PaddleTS将传统的主动建模和集成进修东西停止改进优化，针对时序场景从头设想了愈加便当的建模东西。

主动建模AutoTS：在该模块中内置了默认搜刮空间、超参优化算法、重摘样战略与参数评估战略，开发者仅需2行代码即可完成主动建模的主体操练流程定义。

AutoTS功用代码示例

autots_model = AutoTS(MLPRegressor, 96, 24)

autots_model.fit(tsdataset)

集成揣测器Ensemble：该模块摘用集成进修的思惟，供给两种集成揣测器，开发者通过简单的操做即可把多个PaddleTS揣测器聚集成一个，称心大都场景下的集成需求。

Ensemble功用代码示例

ensemble_model = StackingEnsembleForecaster(96,24,estimators=[(NHiTSModel, nhits_params),(RNNBlockRegressor, rnn_params), (MLPRegressor, mlp_params)])

ensemble_model.fit(ts_train, ts_val)

速度快、效果优

PaddleTS基于飞桨框架，对数据加载、模子操练、模子揣测等核心环节精心打磨优化，效率比拟同类开源产物有十分大的优势。

操练情况：GPU CUDA 11.2，设备 NVIDIA A30

目标阐明：MAE，即绝对均匀误差，它表达揣测值和看测值之间绝对误差的均匀值，越小则揣测效果越好

此外，相较于同类产物，利用PaddleTS中的AutoTS主动建模东西能够获得更优的建模效果，在大大都情状下优于专家体味调参。

WTH数据集：包罗2010年至2013年4年间近1600个美国地域的本地天气数据

*操纵默认的TPE算法，运行50次参数试验

PaddleTS曲播课预告

11月8日（周二）19:00，百度资深工程师将为各人深度解析时序建模算法库PaddleTS，欢送各人报名曲播课，与列位开发者停止手艺和营业深度交换！