我们好，飞桨时序模型库PaddleTS的重磅晋级啦！今天为我们介绍带来的是PaddleTS此次晋级的核心内容解读，快来看看有没有你所期待的新内容！

飞桨时序模型库PaddleTS具备统一的时序数据结构、全面的基础模型功用、丰富的数据处理和剖析算子以及抢先的深度时序算法，能够协助开发者完成时序数据处理、剖析、建模、猜测全流程，在猜测性维护、能耗剖析、价格销量预估等场景中有重要运用价值。

近期，PaddleTSv1.1版别重磅发布，带来了在模型推理、模型可解说性、新增模型算法等多方面的重要晋级：

• 更高效的推理布置：根据Paddle Inference完成高吞吐、低时延的推理布置，MLP模型推理耗时下降98%！

• 新增时序分类模块：掩盖更多运用场景需求，让开发者一站式处理时序分类问题！

• 提高模型解说才能：两种技术完成模型解说性，协助开发者更好了解模型成果！

• 表征学习支撑分类与聚类：针对先进的表征学习，供给即开即用的表征分类与聚类模型，提高开发功率！

• 扩大深度学习模型：增加更多时序猜测与反常检测模型，协助开发者探索更多的抢先模型！

⬇️GitHub 传送门

github.com/PaddlePaddl…

⭐️欢迎 Star 关注⭐️

可利用Paddle Inference进行推理布置

Paddle Inference是飞桨的原生推理库，作用于服务器和云端，供给高性能的推理才能。其针对不同渠道不同的运用场景进行了深度的适配优化，供给了C、C++、Python、Golang四种API，完成做到高吞吐、低时延的推理布置。同时，经过对核算图的剖析，完成对核算图的一系列的优化，如OP的融合、内存/显存的优化、MKLDNN、TensorRT等底层加快库的支撑等。

PaddleTSv1.1支撑了原生飞桨Paddle Network模型的导出以及前序数据主动构建功用，完成PaddleTS模型在多系统、多语言、多渠道的适配。开发者利用Paddle Inference即可完成推理布置，加快PaddleTS模型运用的最后一公里，确保了PaddleTS模型在服务器端即训即用，快速布置。

以MLP和Informer为例，运用Paddle Inference推理后，MLP模型推理耗时下降约98%，Informer模型推理耗时下降约50%。

• 直通车

paddlets.readthedocs.io/zh_CN/stabl…

增加时序分类模块

时刻序列分类是时序猜测使命中的一种，其目的是利用标记好的练习数据（每个时刻序列所属类别），猜测未来时刻序列的分类，从而辅导决策。时刻序列分类在一些时刻敏感的运用领域至关重要，例如健康信息学、反常检测、设备状态识别等。

PaddleTSv1.1的时序分类模块，新增两个时序分类深度模型——经典的CNN以及抢先的InceptionTime，同时供给ClassifyBaseModel基类，开发者可利用其构建时序分类模型。
同时，PaddleTSv1.1支撑两种分类成果评估办法，既可直接运用PaddleTS中预置的accuracy_score函数，也可调用sklearn.metrics相关评估算子，完成模型分类作用的评估。
开发者能够运用PaddleTS构建时序分类模型，得到未来时刻序列的分类成果及每个分类的概率，如设备故障类型、患病类型等。也可用来辅助用于时序数据的预处理，如检测数据周期性并除掉，从而进行正常前史数据的学习或反常检测，完成猜测或检测准确率的提高。

• 直通车

paddlets.readthedocs.io/zh_CN/lates…

提高模型可解说才能

近年来跟着深度学习的发展，深度时序模型逐步逾越了浅层模型取得了更好的作用。但深度模型由于其复杂的网络结构，往往难以解说猜测成果是如何产生的，给运用者带来困扰，由此，模型解说性技术应运而生。PaddleTSv1.1供给ante-hoc（模型相关）和post-hoc（模型无关）两种办法提高模型可解说性。

ante-hoc（模型相关）

ante-hoc是一种模型相关的办法，即开发者在模型设计阶段就考虑了模型可解说性的问题，因而往往会设计特别的模型结构或丢失函数，便于对已练习好的模型进行评估。PaddleTSv1.1的ante-hoc模块引入了TFT模型，分别从特征权重、注意力评分角度对模型成果进行解说。

• 特征权重

特征权重在掌握模型的要害特征方面具有重要作用，特征权重越高，代表特征对猜测成果的影响越大。TFT模型将时序特征能够分为静态特征、前史特征、未来特征三类，用户能够剖析不同类别下的特征权重。

• 注意力评分

在进行时刻序列建模时，不同时刻点之间存在着一定的相互依赖联系，自注意力机制能够最大程度上挖掘恣意两个点之间的联系，从而在进行时序猜测时抽取强相关特征点的要害信息，使得猜测愈加准确。自注意力评分能够协助用户判别对于猜测成果影响更大的时刻序列节点。以TFT模型为例，注意力评分支撑从“单步多分位数猜测”与“多步单分位数猜测”两个角度给出注意力机制的分数权重的可视化展示，协助开发者更好地剖析时刻序列的周期形式。

post-hoc（模型无关）

post-hoc是一种模型无关的办法，把模型视为一个黑盒，经过外部增加扰动或树立一个代理模型等办法，对已练习好的模型进行评估和解说。PaddleTSv1.1的post-hoc模块，根据SHAP办法完成了模型的特征归因，开发者仅需将模型和练习数据作为输入，即可得到不同时刻、协变量对输出成果的奉献，协助决策者了解模型成果、辅导事务优化。

• 直通车

paddlets.readthedocs.io/zh_CN/lates…

表征学习支撑分类和聚类

在前史版别中，PaddleTS供给了表征猜测模型ReprForecaster，完成了表征学习和下流猜测使命相结合的全流程封装，避免用户处理表征与下流使命结合的复杂处理流程，在处理表征猜测问题的同时下降开发者运用门槛，真实完成了模型的即开即用。
PaddleTSv1.1增加了表征分类模型ReprClassifier和表征聚类模型ReprCluster，针对时序分类和时序聚类问题也能够完成表征学习的快速运用。

• 直通车

paddlets.readthedocs.io/zh_CN/lates…

❤️以上便是本次PaddleTSv1.1晋级的核心功用解读，更多新功用可点击下方链接检查，欢迎我们活跃试用。

• PaddleTSv1.1功用概览

github.com/PaddlePaddl…

相关链接

• 项目GitHub

github.com/PaddlePaddl…

• 项目文档

paddlets.readthedocs.io/

• GitHub Issue反馈

github.com/PaddlePaddl…