PaddleX星河零代码产线此前推出了多条计算机视觉模型产线，在最新一轮的升级中，依托⻜桨领先的训推能力，我们紧跟数据分析的前沿趋势，深刻洞察到时序分析在实际应用场景中的重要性。为此，我们全面覆盖了时序预测、异常检测和分类这三大时序常见任务，精心打造了时序预测、时序异常检测、时序分类、时序多模型融合预测v2以及时序多模型融合异常检测v2这5条专为时序场景设计的零代码产线，旨在为开发者提供便捷的全流程时序任务处理能力，助力更高效地完成相关开发工作。
核心
亮点
1、汇聚时序分析3大场景任务，涵盖11个前沿的时序模型
2、高精度的多模型融合时序特色产线，实际场景中时序预测精度提升约20%，时序异常检测精度提升5%
3、全流程便捷开发，支持云端和本地端服务化部署，同时支持纯离线使用
下面将展开介绍时序分析产线的三大核⼼亮点和电量消耗⻓期预测案例，以及在后续的直播课程中，我们将以能源电力系统发电量预测、工业设备异常检测、心跳监测场景为例，为大家详解如何基于星河零代码产线解决实际产业问题。
汇聚时序分析3大场景任务，涵盖11个前沿的时序模型
时序在每日的生活工作中随处可⻅，比如 CPU 负载、商场每天的人流量、商品每日的价格等都属于时间序列，总的来说时间序列就是按时间记录的有序数据。本次升级新增了时序预测、时序异常检测和时序分类三
大时序分析核心任务，涵盖时序预测、时序异常检测、时序分类、多模型融合时序预测v2和多模型融合时序异常检测v2五条时序分析产线，涵盖11个前沿的时序模型，全面覆盖时序领域常⻅任务场景。
时序分析产线和涵盖模型
时序预测是运用历史的数据推测出事物的发展趋势。比如在零售行业中，未来的销售量；在能源行业中，未来的能耗变化趋势、发电量等等，都可以通过 AI 建模的方式实现对未来的预测。
时序异常检测旨在从正常的时间序列数据中识别出异常的事件或行为模式，在众多领域都发挥着重要作用：量化交易中，用于发现异常交易行为，规避潜在的金融⻛险；在网络安全领域，⽤于实时监测网络流量，及时发现网络攻击行为的发生；在工业设备维护中，异常检测也能够帮助发现设备故障，降低设备停机时间和维修成本。
时序分类是是利用标记好的训练数据，确定一个时间序列属于预先定义的哪一个类别。常⻅的应⽤场景包括：医疗健康监测，工业设备状态监测和交通状况分类等。
＞＞＞＞左右滑动查看更多图片＜＜＜＜
高精度的多模型融合时序特色产线，时序预测精度提升约20%，时序异常检测精度提升5%
除了上方的三条通用模型产线外，本次也新增了多模型融合时序预测v2和多模型融合时序异常检测v2两条特色模型产线，其特点是针对不同任务场景，能够自适应的选择和集成模型，提升任务的精度。这两条产线融合了多个时序基础模型，能够根据不同场景自动搜索最优组合，从而达到更佳的预测表现。
时序多模型融合算法架构
用电负荷受新能源间歇性、波动性等特征影响愈加明显，仅依靠人工经验进行负荷预测，难度越来越大，为了实现电力供需平衡和安全保供，对预测精度要求也越来越高。基于
多模型融合时序预测v2产线
在真实场景数据下进行了验证，相比前沿模型，预测误差降低20%以上。
随着技术的发展，设备运行数据、生产研发数据都在快速增加，传统的统计分析已经无法满足精度的要求。因此，需要采用深度学习的方法来帮助设备进行监控和故障预警，以避免因为设备问题发生停产停工与安全事故等情况。在时序异常检测任务中，使用该工具对传感器获取的设备监控时序数据进行分析，第一时间发现数据中的异常波动。与其他前沿异常检测模型相比，在相同的90%精度下，
多模型融合时序异常检测v2产线
召回率提升5%，能够准确识别出更多的潜在设备故障。
全流程便捷开发，支持云端和本地端服务化部署，同时支持纯离线使用
针对各个时序场景任务，开发者可以收集自身场景下的丰富数据，上传数据，选择时序模型进行高效地模型训练，快速产出性能优异的时序模型，大大简化了开发者的操作流程，使得模型训练和部署变得更为便捷高效。支持云端在线服务化部署训练好的模型，在线体验中可以直观的查看模型表现，便于分析和对比不同模型算法的能力，也支持本地端服务化部署，打通了在线和离线部署，并支持以API形式调用在线服务。此外，也支持低代码开发， 通过统一的API接口实现模型产线的全流程开发，可以纯离线使用。
场景范例
这里以能源行业电力场景为例，为大家展现多模型融合时序预测v2产线效果，时序异常检测、时序分类任务在实际产业中的场景应用将在下周四的直播课中为大家详细解读。
在电力系统中，用电量预测是一项至关重要的任务，它直接关系到电力资源的合理配置和电力系统的稳定运
行。
因此，我们需要构建一个准确的电力时序预测模型，由于用电量时序数据一般存在非平稳和⻓时序的难点特性，单个模型往往无法达到最佳的性能。
这时可选择多模型融合时序预测v2产线达到更高的精度，相比先进的单模型提高15%以上。
数据校验
用电量数据集采集了 2012-2014 年的某节点耗电量，每间距1小时采集⼀次数据，每个数据点由当前时间点和对应的耗电量OT组成。经过数据上传和数据校验我们可以得包含了数据集在训练集、验证集的前10行数据的展示，方便校验数据的正确性。
模型训练和参数设置
在深度学习中，超参数选取对模型的训练起着至关重要的作用，星河零代码产线将对模型精度影响最大的超参数展示在前端⻚面上，方便用户快速设置，进行实验调试。时序分析任务也需要根据数据填写正确的时间列名、目标变量、频率、输入⻓度及任务要求的预测⻓度。
模型评估和在线服务化部署
基于电力评估集，对比时序预测单模型的效果，多模型融合时序预测v2产线达到更高的精度，相比先进的单模型提高15%以上。
