面向非平穩(wěn)時(shí)間序列預(yù)測任務(wù)的持續(xù)學(xué)習(xí)框架

持續(xù)學(xué)習(xí)任務(wù)示意圖

工業(yè)時(shí)間序列是反映生產(chǎn)過程的結(jié)構(gòu)化數(shù)據(jù)，其分析和預(yù)測對于優(yōu)化工業(yè)流程、提升效率具有重要意義。然而，工業(yè)生產(chǎn)過程中的動態(tài)變化會導(dǎo)致時(shí)間序列數(shù)據(jù)分布漂移，使得傳統(tǒng)靜態(tài)預(yù)測模型無法長期保持高效性。傳統(tǒng)的模型更新方法，如重新訓(xùn)練的計(jì)算和存儲成本高昂；而增量微調(diào)的方式容易導(dǎo)致已學(xué)模式的災(zāi)難性遺忘，這些問題限制了現(xiàn)有模型在非平穩(wěn)工業(yè)環(huán)境中的應(yīng)用效果。

為應(yīng)對上述挑戰(zhàn)，中國科學(xué)院沈陽自動化研究所數(shù)字工廠研究室科研團(tuán)隊(duì)提出了一種面向非平穩(wěn)工業(yè)時(shí)間序列預(yù)測的自適應(yīng)持續(xù)學(xué)習(xí)（Adaptive Continual Learning,ACL）方法，顯著提升了預(yù)測模型的適應(yīng)性和泛化能力。該研究成果以An Adaptive Continual Learning Method for Nonstationary Industrial Time Series Prediction為題，發(fā)表在中國科學(xué)院1區(qū)TOP期刊IEEE Transactions on Industrial Informatics。

該研究從網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)結(jié)構(gòu)兩個(gè)方面改進(jìn)了持續(xù)學(xué)習(xí)方法。團(tuán)隊(duì)通過基于提示的網(wǎng)絡(luò)參數(shù)學(xué)習(xí)保留了先前任務(wù)的“暗知識”，有效緩解災(zāi)難性遺忘，同時(shí)，引入軟記憶緩沖區(qū)使模型能夠更好地學(xué)習(xí)當(dāng)前任務(wù)，從而在穩(wěn)定性與可塑性之間實(shí)現(xiàn)平衡。此外，團(tuán)隊(duì)在網(wǎng)絡(luò)結(jié)構(gòu)層面提出了一種時(shí)間敏感的激活函數(shù)TimeRelu，使網(wǎng)絡(luò)激活閾值隨時(shí)間變化，從而提高了模型的泛化能力。該方法在開源的太陽能發(fā)電數(shù)據(jù)集和實(shí)際的磨礦分級過程數(shù)據(jù)集上驗(yàn)證了其有效性。

研究成果有望應(yīng)用于智能礦山、鋼鐵冶金等復(fù)雜工業(yè)場景中的預(yù)測性維護(hù)和生產(chǎn)過程優(yōu)化等場景。下一步，將針對任務(wù)劃分的自動化和概念漂移檢測等問題開展深入研究，同時(shí)探索元學(xué)習(xí)等前沿技術(shù)在增強(qiáng)模型動態(tài)適應(yīng)能力方面的潛力。

該研究得到了國家自然科學(xué)基金和遼寧省重點(diǎn)研發(fā)計(jì)劃的支持。（數(shù)字工廠研究室）

來源：中國科學(xué)院沈陽自動化研究所