后士浩-时序预测算法在蔚来汽车的应用探索_opt

蔚来汽车换电站需求预测算法实践

业务背景

蔚来汽车成立于2014年，是高端智能电动汽车市场的先驱，产品组合包括ES8、ES7、ES6、SUVEC7、SUVEC6、ET7和ET5等车型。换电站需求预测业务旨在通过算法预测不同时间跨度的单量需求，包括短期（24小时）、中期（30天）和长期（12个月）预测，主要应用于新站选址、错峰充电和电池调度等场景。

关键挑战

换电站需求预测面临三大关键挑战：

1. 多序列复杂季节性：不同换电站的序列具有不同的季节性特征。
2. 增长与竞争：电区房用户增长带来的需求变化。
3. 时间特征漂移：节假日时间不固定，且预测具有时间先验性。

算法实践

机器学习模型

• ARIMA：准确率较高，数据量要求低，适用于项目初期冷启动，但无法进行特征工程。
• LGB：简单易行，可解释性强，计算速度快，适用于项目初期迭代，但对类别特征利用不充分。
• Prophet：简单易行，可解释性强，支持批量预测，但仅支持单变量，准确率较低。

深度学习模型

• 统一架构：所有CNNs、RNNs和Transformers均为生成模型，包括CRNN和Informer模型。
• Embedding引擎：
  • Token Embedding：解决多序列问题，通过数字化表示属性变量。
  • Value Embedding：解决竞争与增长问题，从单站维度考虑区域维度。
  • Positional Embedding：解决复杂季节性问题，标记不同序列在不同季节性下的变化位置。
  • Temporal Embedding：解决节假日时间不固定问题。
• 时间先验问题：通过Embedding引擎处理输入数据维度不一致的问题。
• 卷积模块设计：通过多层卷积网络处理时变变量，并优化层间连接方式。

总结展望

未来计划进一步提升算法的准确性和实用性，解决现有模型的局限性，如LGB对节假日过拟合和Informer对长序列季节性表现不佳的问题，并优化DCN模型以更好地处理节假日预测需求。