文档首页/ 盘古大模型 PanguLargeModels/ API参考/ API/ 模型推理接口/ 预测大模型/ 盘古统一编码时序预测回归大模型/ 时序预测回归零样本直推
更新时间：2025-12-25 GMT+08:00
查看PDF
分享

时序预测回归零样本直推

功能介绍

使用行业大规模时序数据进行预训练，获得能够捕捉时序特征的预置模型。在推理阶段，该预置模型根据输入的历史时序特征，对未来时序进行预测，最多支持1024个时间点的预测。

直推模式支持：

  1. 单目标推理：支持单变量时序预测。
  2. 多目标推理：支持多变量时序预测。
  3. 历史与未来协变量推理：支持协变量输入的时序预测。协变量分为两类：当前信息不可知的历史协变量，如传感器数据等信息；当前信息可知的已知协变量，如销量预测中的假期、天气等信息。
  4. 分位数预测：支持分位数预测，即模型可以输出多个分位数的预测结果，而不仅仅是单一的点预测。分位数预测有助于评估预测的不确定性，提供更全面的预测区间。

直推限制：

  • 列名一致性要求：单次批处理请求中，所有数据条目必须保持列名完全一致。
  • 显式指定预测长度：批请求需新增字段 prediction_len，用于指定期望的预测时序长度。
  • 支持自动识别上下文长度：无需指定上下文长度（context_len），支持根据输入序列窗口长度自动识别。若在请求体中明确指定上下文长度（context_len），则输入序列窗口的长度必须大于或等于指定的上下文长度。若指定序列长度（context_len）小于实际序列长度时，以指定的上下文长度（context_len）为准，并取序列最后部分作为上下文内容。例如若输入序列长度为100且指定的上下文长度（context_len）为80时，取序列的最后80个数据作为上下文。
  • 输入序列长度对齐：同一批次请求中的所有时序数据，目标列/历史协变量列的序列长度（target_col_length）必须相同；已知协变量列需等于目标列/历史协变量列的序列长度+预测长度（target_col_length + prediction_len）。
  • 显示指定预测的目标列、历史协变量列、以及已知协变量列：分别以target_cols，past_cov_cols，known_cov_cols承载，都可取空值。若为空值，默认取值符合优先级规则target_cols>past_cov_cols>known_cov_cols，具体情况见下表。为了预测的精确性，建议使用时最好三者都指定。
    表1 预测列名取值规则

    target_cols（目标列）

    past_cov_cols（历史协变量列）

    known_cov_cols（已知协变量列）

    取值规则

    ×

    ×

    ×

    所有列均为target_cols，past_cov_cols和known_cov_cols均为空值。

    √

    ×

    ×

    除去target_cols指定列，剩余所有列均为past_cov_cols，known_cov_cols为空值

    ×

    √

    ×

    除去past_cov_cols指定列，剩余所有列均为target_cols，known_cov_cols为空值

    ×

    ×

    √

    除去known_cov_cols指定列，剩余所有列均为target_cols，past_cov_cols为空值

    √

    √

    ×

    除去target_cols以及past_cov_cols指定列，剩余所有列known_cov_cols。且输入的target_cols以及past_cov_cols不可有交集

    ×

    √

    √

    除去past_cov_cols以及known_cov_cols指定列，剩余所有列target_cols。且输入的past_cov_cols以及known_cov_cols不可有交集

    √

    ×

    √

    除去target_cols以及known_cov_cols指定列，剩余所有列past_cov_cols。且输入的target_cols以及known_cov_cols不可有交集

    √

    √

    √

    三者为输入指定列。

    需满足：

    1. 三者输入无交集
    2. 三者并集严格等于所有列名（all_cols）

授权信息

账号具备所有API的调用权限，如果使用账号下的IAM用户调用当前API，该IAM用户需具备调用API所需的权限，具体权限要求请参见权限和授权项。

URI

POST /

获取URI方式请参见请求URI。

请求参数

使用Token认证方式的请求Header参数见表2。

表2 请求Header参数（Token认证）

参数

是否必选

参数类型

描述

X-Auth-Token

是

String

参数解释：

用户Token。

用于获取操作API的权限。如图4中响应消息头中X-Subject-Token的值即为Token。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

不涉及

Content-Type

是

String

参数解释：

发送的实体的MIME类型。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

application/json

使用API Key认证方式的请求Header参数见表3。

表3 请求Header参数（API Key认证）

参数

是否必选

参数类型

描述

X-Apig-AppCode

是

String

参数解释：

API Key值。

用于获取操作API的权限。API Key认证响应消息头中X-Apig-AppCode的值即为API Key。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

不涉及

Content-Type

是

String

参数解释：

发送的实体的MIME类型。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

application/json
表4 请求Body参数

参数

是否必选

参数类型

描述

data

是

Array

参数解释：

时序数据请求的批处理队列。

约束限制：

盘古时序预测回归任务的输入数据内容，用字典承载。输入数据字典中，键对应特征列名，值为序列数据具体内容。

取值范围：

目标列仅支持数值型（int/float）取值，过去以及已知协变量支持数值型取值以及类别特征（int/float/string）取值。

目标列限制：List[int/float]

协变量列限制：List[int/float/str]

默认取值：

不涉及，此为必须填写字段。

context_len

否

int

参数解释：

时序任务的历史窗口大小，该参数主要服务于支持多尺度窗口的模型的推理。

约束限制：

填写时需要保证输入序列长度大于等于该值。

取值范围：

  • min：1
  • max：建议不超过8192

默认取值：

若不填写，支持根据输入序列窗口长度自动识别。

prediction_len

是

int

参数解释：

时序预测输出的窗口长度。数值越大输出预测的时间范围越大，但相应的显存占用会增加以及模型预测精度可能会下降。

约束限制：

无。

取值范围：

  • min：1
  • max：1024。

默认取值：

不涉及，此为必须填写字段。

target_cols

否

List[str]

参数解释：

时序预测的目标列列名，表示预测的目标列。

约束限制：

列名需包含于输入数据字典的键值中。详细取值规则见表1。

取值范围：

不涉及

默认取值：

详细取值规则见表1。

past_cov_cols

否

List[str]

参数解释：

时序预测的过去协变量列列名，表示待预测时刻的列信息不可预知的列，如传感器数据等信息。

约束限制：

列名需包含于输入数据字典的键值中。详细取值规则见表1。

取值范围：

不涉及

默认取值：

详细取值规则见表1。

known_cov_cols

否

List[str]

参数解释：

时序预测的已知协变量列列名，表示待预测时刻的列信息可获取的列，如节假日、天气等信息。

约束限制：

列名需包含于输入数据字典的键值中。详细取值规则见表1。

取值范围：

不涉及

默认取值：

详细取值规则见表1。

quantile_levels

否

List[float]

参数解释：

模型支持分位数预测。为了防止返回体过大，若此字段不指定，默认仅返回中位数结果，以"prediction"字段承载。若指定返回的分位数信息，例如[0.1, 0.5, 0.9](返回10%， 50%， 90%)分位数，以字段"prediction_{quantile_level}"承载，其中quantile_level取值范围为[0.1, ..., 0.9]。

约束限制：

需取[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]的子集。

取值范围：

需取[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]的子集。

默认取值：

None, 默认仅返回中位数结果。

响应参数

状态码： 200

表5 响应Body参数

参数

参数类型

描述

data

LIST<OutputMeta>

参数解释：

时序预测结果的列表。若请求字段未指定quantile_levels，则默认仅返回中位数结果以字段"prediction"承载；若请求字段指定quantile_levels，则同时返回分位数结果，以字段"prediction_{quantile_level}"承载。例如[0.1, 0.9](返回10%， 90%)分位数，以字段"prediction_0.1"和"prediction_0.9"承载。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

不涉及

time_cost

JSON

参数解释：

当启动服务时，本次请求服务各阶段耗时情况。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

不涉及
表6 OutputMeta格式说明

参数名称

参数类型

说明

prediction

JSON

参数解释：

时序预测的输出结果，具体见样例调用示例。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

不涉及

prediction_{quantile_level}

JSON

参数解释：

若请求字段指定quantile_levels，则同时返回分位数结果，以字段"prediction_{quantile_level}"承载。例如[0.1, 0.9](返回10%， 90%)分位数，以字段"prediction_0.1"和"prediction_0.9"承载。

约束限制：

不涉及

取值范围：

不涉及

默认取值：

不涉及

状态码： 400

表7 响应Body参数

参数

参数类型

描述

error_code

String

错误码。

error_msg

String

错误信息。

请求示例

{
  "prediction_len": 96,
  "target_cols": ["fetaure_0"],
  "past_cov_cols": ["fetaure_1", "feature_2"],
  "known_cov_cols": ["fetaure_3"],
  "data": [
    {
      "context": {
        "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        "feature_1": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        "feature_2": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        "feature_3": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...]   
      }
    },
    {
      "context": {
        "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        "feature_1": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        "feature_2": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        "feature_3": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...]
      }
    },
    {...},
    {...}
  ]
}

响应示例

## 若指定计算模式为返回异常分（option∈["重构误差"，"重构方差", "重构误差+方差"]）
{
  "data": [
    {
        # 预测结果
        "prediction":{
            "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        },
        # 预测结果(10%分位数)
        "prediction_0.1":{
            "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        },
        ...
        # 预测结果(90%)分位数
        "prediction_0.9":{
            "feature_0": [ 864.1618041992188, 493.91827392578125, 252.7724151611328，...],
        }
    },
    {...},
    {...},
    {...}
  ],
  "time_cost": {
    "infer_cost_time": "82.609 ms",
    "postprocess_cost_time": "0.29 ms",
    "preprocess_cost_time": "0.1332 ms",
    "service_cost_total_time": "84.965 ms"
  }
}

状态码

请参见状态码。

错误码

请参见错误码。

相关文档