PP-TS基于启发式搜索和集成方法的时序预测模型，使预测更加准确

时间序列数据在各行业和领域中无处不在，如物联网传感器的测量结果、每小时的销售额业绩、金融领域的股票价格等等，都是时间序列数据的例子。时间序列预测就是运用历史的多维数据进行统计分析，推测出事物未来的发展趋势。

为加快企业智能化转型进程，降低时序技术应用门槛，飞桨持续进行产品技术打磨，推出了基于启发式搜索和集成学习的高精度时序模型PP-TS，在电力场景数据集上经过验证，精度提升超20%。

PP-TS今天正式上线飞桨AI套件PaddleX！源码全部开放！您可以在AI Studio（星河社区）云端或者PaddleX本地端尽情探索！尝试结合到真实的业务场景中去！在工具箱模式中，您只需提供一个场景下的历史数据，PP-TS就能为您准确预测出该场景下未来一段时间内的数据情况。
数据

训练

评估测试

除PP-TS外，飞桨也提供了8种业界领先的时序预测方法，即TimesNet, TiDE, PatchTST, DLinear, RLinear, NLinear, Nonstationary Transformer和XGBoost以便您对比使用。

PP-TS核心思想

基于集成方法，相较于传统时序预测，PP-TS预测更加准确随着5G时代的到来，企业逐步进入数字化转型新阶段，面临越来越多复杂时间序列预测场景，如设备剩余寿命预测、电力负荷预测等。在