阿里達摩院提出時序預測新模型-淘寶問答

預測難度就越大這項技術在氣象、電力、零售、交通等諸多行業(yè)有廣泛應用傳統(tǒng)的時序預測模型一般采用LSTM、CNN等方法，該模型核心中的注意力機制模塊對時序數(shù)據(jù)不夠敏感此次阿里達摩院提出的新模型FEDformer融合了transformer和經(jīng)典信號處理方法例如，具有更好的魯棒性新模型還專門設計周期趨勢項分解模塊，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。

近日，阿里達摩院提出了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，模型已應用于電網(wǎng)負荷預測相關論文已被機器學習頂會ICML2022收錄

據(jù)了解，ICML是機器學習領域的頂級學術會議，達摩院決策智能實驗室的論文《FEDformer:FrequencyEnhancedDecomposedTransformerforLong-termSeriesForecasting》關注了機器學習領域的經(jīng)典問題：時序預測(TimeSeriesForecasting)

時間序列預測，意思是指利用歷史數(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在氣象、電力、零售、交通等諸多行業(yè)有廣泛應用

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，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

此次阿里達摩院提出的新模型FEDformer融合了transformer和經(jīng)典信號處理方法例如，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系FEDformer也能排除干擾，具有更好的魯棒性

新模型還專門設計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

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)

目前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

如今，基于自研的時序預測、優(yōu)化求解器MindOpt、安全強化學習等底層技術，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

值得一提的是，天眼查資料顯示，阿里巴巴達摩院(杭州)科技有限公司7月1日公開一項“機器客服訓練系統(tǒng)及其方法、語音回復方法和電子設備”專利，申請公布號為CN114692891A，申請日期為2022年1月29日

該專利摘要顯示，本申請?zhí)峁┮环N機器客服訓練系統(tǒng)及其方法、語音回復方法和電子設備該機器客服訓練系統(tǒng)包括：機器客服模型、用戶模型、回報參數(shù)配置組件和終止組件

幕思城為您更新最近最有用的電商資訊、電商規(guī)則阿里達摩院,淘寶,淘寶達摩,淘寶平臺淘寶問答。了解更多電商資訊、行業(yè)動向，記得關注幕思城！

這個問題還有疑問的話，可以加幕.思.城火星老師免費咨詢，微.信號是為: msc496。