给定一段时期的历史数据，AI要如何准确预测天气变化、电网负荷需求、交通拥堵状况？这其实是个时序预测问题。
达摩院近期提出一种长时序预测的新模型FEDformer，精准度比业界最优方法提升14.8%以上，模型已应用于电网负荷预测。相关论文已被机器学习顶会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》关注了机器学习领域的经典问题：时序预测。
时间序列预测（Time Series Forecasting），通俗理解就是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。
传统时序预测模型的不足：
传统的时序预测模型一般采用LSTM、CNN等方法，精准度和使用场景都较为有限，无力处理大规模数据。
近些年来，研究人员开始将transformer模型引入长时序预测，但效果仍不够理想，简单地说该模型核心中的注意力机制模块对时序数据不够敏感。
达摩院长时序预测模型FEDformer的优势：
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更好地学习长时序中的依赖关系；FEDformer也能排除干扰，具有更好的鲁棒性。
专门设计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。
达摩院FEDformer模型架构
实验证明，达摩院新模型在电力、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模型分别提升14.8%（多变量）和22.6%（单变量）。
达摩院FEDformer模型在6个数据集均取得最佳纪录
值得一提的是，该模型已走出实验室，在区域电网完成概念验证，明显提升电网负荷预测准确率。
达摩院决策智能实验室旨在用数学建模来解决真实世界的复杂问题，其重点研究方向包括时序预测，今年刚在ICASSP'22 AIOps Challenge获得冠军。
如今，基于自研的时序预测、优化求解器MindOpt、安全强化学习等底层技术，达摩院打造的绿色能源AI，已逐步落地全国多家电网和发电企业，促进绿色能源消纳和电网安全运行。
