近日,阿里巴巴的达摩院提出了一种长时序预测的新FEDformer,该比业界最优方法的精度提升了14.8%以上,并且已经应用于电网负荷预测。该论文已被机器学习领域的顶级学术会议ICML 2022收录。ICML是机器学习领域的顶级学术会议,达摩院决策智能实验室的论文《FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting》关注了机器学习领域的经典问题:时序预测。时间序列预测是指利用历史数据预测未来信息。预测可分为短期、中期和长期预测,需要预测的时间窗口越长,预测难度就越大。这项技术在气象、电力、零售、交通等诸多行业有广泛应用。传统的时序预测一般采用LSTM、CNN等方法,但是效果不佳,因为这些对时序数据不够敏感。近年来,研究人员开始将transformer引入长时序预测,但效果仍不够理想,因为该核心中的注意力机制模块对时序数据不够敏感。为了解决这个问题,阿里巴巴的达摩院提出了新的FEDformer,它融合了transformer和经典信号处理方法。例如,利用傅立叶/小波变换将时域信息拆解为频域信息,让transformer更好地学习长时序列中的依赖关系。FEDformer还能排除干扰,具有更好的鲁棒性。新还专门设计了一个周期趋势项分解模块,通过多次分解以降低输入输出的波动,进一步提升预测精度。实验证明,达摩院新在电力、交通、气象等6个标准数据集上均取得最佳纪录,预测精准度较此前业界最佳分别提升了14.8%(多变量)和22.6%(单变量)。目前,该已走出实验室,在区域电网完成概念验证,明显提升了电网负荷预测的准确性。除了新FEDformer,阿里巴巴的达摩院还
