本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。给定一段历史数据，AI能否准确预测天气变化、电网负荷需求、交通拥堵情况？这是一个时间序列预测问题。阿里巴巴达摩院最近提出了一种用于长期预测的新模型FEDformer，与业界最好的方法相比，准确率提升了14.8%。该模型已应用于电网负荷预测。相关论文已被机器学习顶级会议ICML2022收录。ICML是机器学习领域的顶级学术会议，2022年度会议将于本周日（7月17日）开幕。达摩院决策智能实验室的论文《FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting》聚焦于机器学习领域的经典问题：时间序列预测。时间序列预测（TimeSeriesForecasting），通俗的理解就是利用历史数据来预测未来的信息。预测可分为短期预测、中期预测和长期预测。预测的时间窗口越长，预测就越困难。该技术在气象、电力、零售、交通等诸多行业有着广泛的应用。传统的时间序列预测模型一般采用LSTM、CNN等方法，精度和使用场景有限，无法处理大规模数据。近年来，研究人员开始将transformer模型引入到长期时间序列预测中，但效果仍不理想。简单来说，模型核心的attention机制模块对时序数据不够敏感。达摩院提出的长序列预测模型FEDformer结合了transformer和经典的信号处理方法。例如，使用傅立叶/小波变换将时域信息拆解为频域信息，从而使transformer更好地学习长时间序列中的依赖关系。FEDformer还可以消除干扰，具有更好的鲁棒性。其中，专门设计了周期趋势项分解模块，通过多次分解降低输入输出的波动，进一步提高预测精度。在达摩院FEDformer模型架构上的实验证明，达摩院新模型在电力、交通、天气等6个标准数据集上取得了最好的成绩，预测准确率比之前最好的模型高出14.8%行业（多变量）。和22.6%（单变量）。值得一提的是，该模型已走出实验室并在区域电网中完成概念验证，显着提高了电网负荷预测的准确性。达摩院的FEDformer模型在六个数据集中取得了最好的记录。据了解，达摩院决策智能实验室旨在利用数学建模解决现实世界中的复杂问题。其重点研究方向包括时间序列预测。ICASSP'22AIOpsChallenge获得冠军。基于自主研发的时序预测、优化求解器MindOpt、安全强化学习等底层技术，达摩院开发的绿色能源AI已逐步在全国多家电网和发电企业落地，促进绿色能源消费和安全电网的运行。
