后士浩-时序预测算法在蔚来汽车的应用探索_opt

演讲人：后士浩—蔚来汽车—高级算法工程师 目录Contents 业务背景 总结展望 算法实践 关键挑战 01业务背景 蔚来汽车简介 蔚来汽车成立于2014年11月，是高端智能电动汽车市场的先驱及领跑者。蔚来的使命是创造愉悦的生活方式。蔚来旨在打造一个以智能电动汽车为起点的社区，与用户分享欢乐、共同成长。蔚来的产品组合包括六座智能电动旗舰SUVES8、中大型五座智能电动SUVES7（或EL7）、五座全场景智能电动SUVES6、五座智能电动旗舰轿跑SUVEC7、五座智能电动轿跑SUVEC6、智能电动旗舰轿车ET7及中型智能电动轿车ET5。 时序预测背景 Ø周期：重复的上升、下降过程，从哪来回哪去Ø季节性：固定频率的上升、下降，多为先验因素Ø趋势：长期保持增长或者下降 Ø谱密度：信号由少数主频叠加而成 换电站需求预测 常见任务 Ø按照输入变量数量划分，包括：ü单变量：单个变量ü多变量：至少两个变量Ø按照输出序列长度划分，包括：ü单输出：预测长度等于1ü多输出：预测长度大于1Ø按照输出序列时间跨度划分，包括：ü短期预测ü中期预测ü长期预测 应用场景 Ø新站选址Ø错峰充电Ø电池调度 业务需求Ø短期预测：预测未来24小时的单量 Ø中期预测：预测未来30天的单量Ø长期预测：预测未来12个月的单量 算法任务 Ø多变量—多输出的短期预测Ø多变量—多输出的中期预测Ø多变量—多输出的长期预测 02关键挑战 关键挑战 Ø多序列的复杂季节性ü不同换电站的序列不同 Ø增长与竞争ü电区房用户增长 Ø时间特征的漂移 ü节假日时间不固定 ü预测具有时间先验 03算法实践 机器学习模型 ARIMA LGB Prophet 优点：Ø准确率较高； 优点：Ø简单易行，可解释性强 优点：Ø简单易行，可解释性强 Ø数据量要求低Ø计算速度较快，可以对每个站在线拟合推理 Ø数据量要求低Ø计算速度更快，可以对每个站在线拟合推理 Ø简单易行，可解释性强；Ø支持批量预测，计算速度更快； 缺点：Ø迭代模型等于迭代特征， 缺点：Ø仅支持单变量 缺点：Ø仅支持单变量 Ø无法特征工程Ø准确率低 Ø无法特征工程Ø准确率较低 迭代特征存在瓶颈；Ø对类别特征利用不充分； 适用场景：Ø项目初期冷启动 适用场景：Ø项目初期迭代 适用场景：Ø项目中期迭代 深度学习模型 统一的架构（unifiedarchitecture）：所有的CNNs、RNNs和Transformers都是生成模型 ØCRNN模型的编码器和解码器是1D卷积网络和RNN网络 ØInformer模型的编码器和解码器是Transformer网络 Embedding引擎 Token Embedding 如何解决多序列问题？ Token常见于自然语言处理，Token就是“词”的数字化表示，此处也需要token表达属性变量。 ValueEmbedding 如何解决竞争与增长问题？ 竞争与增长是容易被忽视的相关变量，我们需要从单站维度考虑区域维度。 PositionalEmbedding 如何解决复杂季节性问题？ 标记不同序列在不同季节性下的变化位置，这里和transformer的PE方法相同。 TemporalEmbedding 如何解决节假日时间不固定问题？ 如何解决时间先验问题？ 虽然预测时间数据已知，但是其它相关变量未知，输入数据维度不一致，怎么处理？ 卷积模块设计 假设输入序列长度等于L，第i个卷积层的卷积核大小等于2i+1，步长等于1，需要多少卷积层？ 卷积模块设计 现在我们已经知道卷积神经网络应该有多少层，那么层与层之间应该怎么连接？ ØLGB模型对节假日过拟合，且不利于处理节假日预测；ØInformer模型对长序列的季节性表现不佳，但DCN模型可以通过对齐时变变量，有利于处理节假日预测； 04总结展望 未来计划 更有价值 演讲人：后士浩—蔚来汽车—高级算法工程师