盘古大模型 PanguLargeModels-预测大模型训练流程与选择建议:预测大模型选择建议

时间：2025-02-12 15:04:35

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	说明
Pangu-Predict-Table-Cla-2.0.0	该模型属于分类模型，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。	2024年12月发布的版本，支持分析历史数据中的特征与类别的关系，学习出一种映射规则或函数，然后应用这个规则对未来未知的数据点进行分类。
Pangu-Predict-Table-Reg-2.0.0	该模型属于回归模型，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。进行智能浓缩，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。	2024年12月发布的版本，支持根据已知的输入变量（特征）来预测一个连续型输出变量（目标变量）。
Pangu-Predict-Table-Anom-2.0.0	该模型属于异常检测模型，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。	2024年12月发布的版本，支持识别数据集中不符合预期模式或行为的数据点。
Pangu-Predict-Table-TimSeries-2.0.0	该模型属于时间序列预测模型，用于基于时间序列数据预测未来值。生成计划排期：根据历史生产数据和市场需求，预测未来的生产需求，优化生产计划。	2024年12月发布的版本，支持根据历史时间序列数据来预测未来的值，广泛应用于金融、销售预测、天气预报、能源消耗预测等领域。