基于深度學習的時間序列預測研究獲進展

　　時間序列預測是大規模數據無損壓縮和極端天氣預報等領域的核心技術。隨著應用場景多樣化和數據復雜性提升，現有模型在異構數據的統一表達、長序列結構依賴建模、極端天氣波動捕捉等方面存在挑戰。中國科學院計算機網絡信息中心人工智能團隊圍繞上述挑戰開展研究，提出一系列創新算法與模型，并在實際系統部署應用。

　　針對光伏場景中天氣擾動強、云層變化快的挑戰，該團隊構建了超短期多云層光伏功率預測框架MCloudNet，利用高、中、低云圖結構對光流軌跡預測，增強對功率高頻變化的感知與響應能力。模型已在河北和云南等多個光伏電站部署運行，提升了預測精度與微電網調度穩定性。

　　針對傳統壓縮方法難以高效建模原始字節流中潛在結構的挑戰，該團隊提出了SEP時間序列壓縮框架，專注于通用字節流的無損預測與壓縮建模任務。研究通過語義增強的patch表示與自適應跳步機制，提升對二進制數據中潛在結構的建模能力，實現跨流顯存共享與多任務并發。實驗表明，SEP在多模態壓縮任務中壓縮率最高提升12.8%，速度提升32.5%，具備在科學數據歸檔等場景中的廣泛適應性。

　　近日，上述兩篇論文被第三十四屆國際人工智能聯合會議IJCAI 2025（CCF A類會議）錄用。研究工作得到國家重點研發計劃的支持。