我们开发了一个名为 ETSformer 的全新时间序列预测模型，它充分利用了两个框架的强大功能。通过将季节性趋势分解和指数平滑的经典直觉与现代 Transformer 相结合，并引入了新颖的指数平滑和频率注意机制，ETSformer 实现了最佳性能。
背景
在深入讨论正题之前，我们先来回顾一下我们工作中几个核心概念。（其他关键术语的回顾，请参阅我们的词汇表。）
时间序列预测是基于历史信息对未来进行预测，特别是针对按时间或顺序收集的数值数据。准确预测此类数据可为各个领域带来诸多益处。例如，在电子商务领域，准确预测销售需求可以帮助企业优化供应链决策，并制定更合理的定价策略。
AIOps是预测发挥重要作用的另一个重要领域。IT 运营会产生大量的时间序列数据，借助人工智能和 手机号数据库列表 机器学习来分析这些信息宝库可以极大地提高运营效率。
受益于更准确预测的两项 AIOps 任务是异常警报和容量规划：
在 IT 运营中检测异常并触发通知至关重要，因为它使我们能够快速检测到任何故障并立即采取补救措施。许多主动异常检测工具依赖于准确的预测模型，当实际测量值与预测值出现较大偏差时，就会发出警报。
容量规划是IT运营中的另一项关键任务。通过利用准确的预测模型，智能算法可以动态地将云资源分配给活动任务，确保客户的高可用性，同时最大限度地降低与这些资源相关的成本。
时间序列先验知识：指数平滑和分解
指数平滑法是一类方法，其原理是预测是过去数据（观测值）的加权平均值，并且随着我们进一步追溯过去（旧数据），权重会呈指数衰减（减少）。
换句话说，最近的数据比旧数据具有更高的权重，这反映了这样的观点：对于做出新的预测或确定当前的趋势，最近的过去应该被认为更重要或更相关——这是一个合理的假设。
时间序列数据可以包含各种各样的模式，其中趋势和季节性是许多现实世界时间序列所展现的两个独特类别或组成部分。将时间序列数据拆分成这样的组成部分通常很有帮助，这被称为时间序列分解。