文档首页/ 盘古大模型 PanguLargeModels/ 用户指南/ 开发盘古预测大模型/ 训练预测大模型/ 预测大模型训练流程与选择建议
更新时间：2026-06-17 GMT+08:00
查看PDF
分享

预测大模型训练流程与选择建议

预测大模型训练流程介绍

目前，预测大模型支持微调训练、预训练。

  • 微调阶段：微调阶段通过在特定领域的数据集上进一步训练，使模型能够更有效地应对具体的任务需求。在微调过程中，通过设定训练指标来监控模型的表现，确保其达到预期的效果。完成微调后，将对用户模型进行评估并进行最终优化，以确保满足业务需求，然后将其部署和调用，用于实际应用。针对部分预测大模型类型，开放增量微调，微调后的模型可以直接部署，也可以继续进行二次微调训练，以应对下游任务场景调整而引起的数据分布变化。
  • 预训练阶段：通过在大规模通用数据集上训练，使模型学习到通用特征，使得模型在面对不同类下游任务时，能够快速捕捉到关键信息，提升了模型的训练效率和泛化能力。支持增量训练。

预测大模型支持的平台操作

在选择和使用盘古大模型时，了解不同模型所支持的操作行为至关重要。不同模型在预训练、微调、模型评测、模型压缩、在线推理和体验中心模型调测等方面的支持程度各不相同，开发者应根据自身需求选择合适的模型。以下是盘古预测大模型支持的具体操作：

模型

预训练

微调

增量训练

模型评测

模型压缩

在线推理

边缘推理

体验中心

盘古融合推荐异常检测大模型（Pangu-Predict-Anom-Table-V2.0.3）

-

Y

-

-

-

Y

Y

-

盘古时序异常检测大模型（Pangu-Predict-Anom-TS-V3.0.1）

Y

Y

Y

Y

-

Y

Y

-

盘古统一编码时序预测分类大模型（Pangu-Predict-Cla-TS-V3.0.3）

-

Y

Y

Y

-

Y

Y

-

盘古统一编码表格预测分类大模型（Pangu-Predict-Cla-Table-V3.0.1）

-

Y

Y

Y

-

Y

Y

-

盘古融合推荐分类大模型（Pangu-Predict-Cla-Table-V2.0.3）

-

Y

-

Y

-

Y

Y

-

盘古融合推荐分类大模型-极简模式（Pangu-Predict-Cla-Table-V2.1.4）

-

Y

-

Y

-

Y

Y

-

盘古统一编码时序预测回归大模型（Pangu-Predict-Reg-TS-V3.1.1）

-

Y

Y

Y

-

Y

Y

-

盘古时序预测直推回归大模型（Pangu-Predict-Reg-Zeroshot-TS-V3.0.0）

-

-

-

-

-

Y

Y

-

盘古统一编码表格预测回归大模型（Pangu-Predict-Reg-Table-V3.0.1）

-

Y

Y

Y

-

Y

Y

-

盘古融合推荐回归大模型（Pangu-Predict-Reg-Table-V2.0.3）

-

Y

-

Y

-

Y

Y

-

盘古融合推荐回归大模型-极简模式（Pangu-Predict-Reg-Table-V2.1.4）

-

Y

-

Y

-

Y

Y

-

盘古免微调直推表格预测模型Pangu-Predict-FewShot-Table-V3.0.2

-

Y

-

-

-

Y

Y

-

结构化数据预测（Pangu-Predict-Struct-V1.1.0）

-

Y

-

-

-

Y

Y

-

高速交通流量预测模型（Pangu-Predict-Industry-Traffic-V3.0.0）

-

Y

-

-

-

Y

Y

-

供应链需求预测模型（Pangu-Predict-Industry-Demand-V1.0.0）

-

Y

-

-

-

Y

Y

-

预测大模型选择建议

选择合适的预测大模型类型有助于提升训练任务的准确程度。您可以根据模型适用场景，选择合适的模型，从而提高模型的整体效果，详见表1。

表1 预测大模型的类型

模型名称

适用场景

盘古融合推荐异常检测大模型（Pangu-Predict-Anom-Table-V2.0.3）

异常检测模型用于识别数据集中的异常或离群点，常应用于安全、质量控制等领域。

  • 矿山行业：进行设备故障检测，例如监控设备运行数据，识别异常行为，防止设备故障。
  • 电力行业：进行电网异常检测，例如监控电网运行状态，识别异常情况，防止电网故障。

预测大模型提供了两种异常检测大模型，支持多种场景下的异常检测任务：

  1. 盘古时序异常检测大模型，支持时序数据的异常检测任务，支持预训练、微调、以及二次微调。
    1. 预训练：使用设备历史正常数据对时序异常检测大模型进行全量训练，使其更好地学习并重构正常数据的潜在特征分布。在推理阶段，利用模型对输入样本的重构误差作为异常判别依据：若重构效果显著下降，则表明该样本偏离正常模式，具有潜在异常趋势，从而实现对异常数据的有效检测与区分。
    2. 微调：在时序异常检测大模型基础上引入多种下游适配器，支持基于历史数据的阈值优化或基于标注正异常数据的二分类识别。通过此方式，将原始问题转化为针对特定时间点的二分类任务，判断其状态为正常或异常。
  2. 盘古融合推荐异常检测大模型，支持结构化数据的异常检测二分类任务

盘古时序异常检测大模型（Pangu-Predict-Anom-TS-V3.0.1）

盘古统一编码时序预测分类大模型（Pangu-Predict-Cla-TS-V3.0.3）

分类模型用于预测离散类别，可以应用于各种分类任务。

  • 矿山行业：进行智能洗选，例如根据煤炭的特征，将煤炭分类，提高洗选效率，降低能耗。
  • 油气行业：进行地质分层，例如基于地质数据，对不同地层进行分类，识别储层和非储层，提高勘探和开发效率。进行岩性识别，例如对不同岩石类型进行分类，帮助识别岩石的性质和特征，指导钻井和开采。进行流体识别，例如根据测井数据，识别储层中的油、气、水等流体类型。

预测大模型提供了两种分类大模型，支持多种场景下的分类任务：

  1. 盘古统一编码时序预测/表格预测分类大模型，支持时序数据/结构化数据分类预测任务，支持二次微调功能。
  2. 盘古融合推荐分类大模型，支持结构化数据分类预测任务。极简模式提供效率优先等极简训练配置，实现高效开发。

盘古统一编码表格预测分类大模型（Pangu-Predict-Cla-Table-V3.0.1）

盘古融合推荐分类大模型（Pangu-Predict-Cla-Table-V2.0.3）

盘古融合推荐分类大模型-极简模式（Pangu-Predict-Cla-Table-V2.1.4）

盘古统一编码时序预测回归大模型（Pangu-Predict-Reg-TS-3.0.1）

回归模型用于预测连续性数值，在工业场景中广泛用于工艺参数和性能指标的预测。

  • 矿山行业：进行智慧配煤，例如预测焦炭成分质量，优化配煤比例，提高焦炭质量，降低生产成本。
  • 油气行业：进行储层参数预测，例如预测储层的物理参数，如孔隙度、渗透率等，提高油气资源的开发利用效率。进行产能分级预测，例如预测油井的产能等级，优化油气生产计划。
  • 电力行业：进行电力负荷预测，例如根据历史负荷数据，预测未来的电力负荷，优化电力生产和调度。
  • 钢铁行业：进行钢水温度预测，例如预测钢水温度，提高浇注和连铸的准确性和效率。

预测大模型提供了三种回归大模型，支持不同场景下的回归任务：

  1. 盘古统一编码时序预测/表格预测回归大模型，支持时序数据/结构化数据回归预测任务，支持二次微调功能。
  2. 盘古时序预测直推回归大模型支持零样本直推，使用预置模型进行时间序列预测，提供开箱即用的能力。暂未开放微调与预训练能力
  3. 盘古融合推荐预测大模型，支持结构化数据回归预测任务。极简模式提供效率优先等极简训练配置，实现高效开发。

盘古时序预测直推回归大模型（Pangu-Predict-Reg-Zeroshot-TS-V3.1.0）

盘古统一编码表格预测回归大模型（Pangu-Predict-Reg-Table-V3.0.1）

盘古融合推荐回归大模型（Pangu-Predict-Reg-Table-V2.0.3）

盘古融合推荐回归大模型-极简模式（Pangu-Predict-Reg-Table-V2.1.4）

盘古免微调直推表格预测模型（Pangu-Predict-FewShot-Table-V3.0.2）

直推预测模型，适用于小型表格预测任务（小于2W条样本），当前版本支持表格数据的回归、分类预测任务。支持回归数据模型微调。

结构化数据预测（Pangu-Predict-Struct-V1.1.0）

结构化数据预测是为了收编工业智能中枢历史预测功能，适用场景同回归模型、分类模型。

高速交通流量预测模型（Pangu-Predict-Industry-Traffic-V3.0.0）

基于盘古llm预训练模型进行微调。通过多源异构数据融合、非线性时变参数估计以及随机过程模拟, 构建能够刻画交通流动态演化特性的预测模型。

供应链需求预测模型（Pangu-Predict-Industry-Demand-V1.0.0）

供应链需求预测工作流，提供层次化的时序预测能力。

支持对具有层级结构的时间序列数据进行多维度预测，并通过层级协调确保预测结果在层级上的一致性。可用于供应链、库存管理、销量预测等业务场景。

典型的应用场景包括但不限于：商品销量预测（按商品分类层级，如二级分类→三级分类→SKU，预测未来销量 ），区域需求预测（按地理层级，如省份→城市→门店，预测区域需求）。
父主题： 训练预测大模型

相关文档