基于深度学习的时间序列预测研究取得了进展

时间序列预测是大规模数据无损压缩和极端天气预报的关键技术。随着应用领域的多样化和数据的复杂性的提高，模型在异构数据的统一表达、依赖建模的长序列结构、捕捉恶劣天气的起伏等方面存在挑战。围绕上述挑战，中国科学院计算机网络信息中心人工智能团队提出了一系列创新算法和模型，并在实际系统中部署应用。

针对光伏场景下强烈的天气干扰和快速的云变化测试，该团队构建了MCloudNet的超短期多云光伏功率预测框架，利用高、中、低云结构预测光流轨迹，增强了对高频功率变化的感知和响应能力。该模型已在河北、云南等多个光伏电站部署运行，提高了预测精度和微电网调度稳定性。

该团队提出了SEP时间序列压缩框架，致力于通用字节流的无损预测和压缩建模任务，以测试传统压缩方法难以高效建模原始字节流中的潜在结构。通过语义强化的patch表示和自适应跳动机制，研究提高二进制数据中潜在结构的建模能力，实现跨流存储共享和多任务并发。实验表明，SEP在多模态压缩任务中压缩率最高提高12.8%，速度提高32.5%，在科学数据归档等场景中具有普遍的适应性。

最近，上述两篇论文被IJCAI召开了第34届国际人工智能联合会议。 2025(CCF A类会议)录用。研究工作得到了国家重点研发计划的支持。