时序预测在工业场景的应用覆盖了设备寿命预测、能耗预估、产品产量预报、备件需求计划等多个环节。预测精度直接关系到运维成本、能效指标和供应链效率。从 ARIMA 到 Transformer，预测方法的演进路线清晰，但在工业场景下并非越新越好——不同方法对数据质量、计算资源和可解释性的要求差异显著。
预测问题的工业特殊性
工业时序数据有三个显著特征，使得通用预测方法需要做针对性调整。
第一个是非平稳性。工业设备的运行状态随工艺阶段变化——一台数控机床在粗加工、精加工、换刀三个阶段的电流曲线截然不同。这种"切换式非平稳"比趋势性非平稳更难处理，因为它不是缓慢漂移而是离散跳变。经典方法如 ARIMA 通过差分消除趋势，但对切换点检测无能为力。
第二个是多季节性叠加。工厂的能耗曲线同时受昼夜节律（24 小时周期）、生产班次（8 小时周期）、周末停工（7 天周期）三个季节性因素影响，某些流程行业（如钢铁、化工）还有工艺周期（数小时到数天）。STL 分解（Seasonal-Trend decomposition using LOESS）可以分离出多个季节性分量，但分量之间的交互效应很难建模。
第三个是异常事件的干扰。设备故障、临时停机、工艺变更等不可预测事件会在时序中产生离群点或断点。如果不做预处理直接训练模型，模型会把异常当成正常模式学习，预测结果严重偏离。工业预测的标准预处理流程包括异常值检测（3σ 或 IQR 方法）、断点插值和事件标记——将停机、故障等事件作为额外的输入特征喂给模型。
方法类别 | 代表模型 | 适合场景 | 数据量要求 | 可解释性 |
经典统计 | ARIMA, SARIMA | 单变量、稳定工况、短周期预测 | 中等（>500 样本） | 强 |
分解方法 | Prophet, STL | 多季节性、有节假日效应的业务数据 | 低（>100 样本） | 中 |
机器学习 | XGBoost, Random Forest | 多变量、有外部特征的预测 | 高（>10k 样本） | 弱 |
深度学习 | LSTM, TCN | 长序列、复杂非线性、多变量 | 很高（>50k 样本） | 极弱 |
注意力机制 | Transformer, PatchTST | 超长序列、多变量、多模态 | 极高（>100k 样本） | 极弱 |
经典方法：ARIMA 及其变体
ARIMA 自回归积分滑动平均模型的核心假设是当前值可以表示为历史值和历史扰动的线性组合。SARIMA 在 ARIMA 基础上引入季节性分量，处理周期性行为。ARIMAX 增加了外部输入变量（Transfer Function），可以把环境温度、生产计划等外部因素纳入预测。
ARIMA 的优势在于可解释性。模型参数（自回归阶数 p、差分阶数 d、滑动平均阶数 q）有明确的统计含义，预测区间的计算也有严格的统计学基础。当预测结果出现偏差时，工程师可以快速定位是哪个分量出了问题——是趋势方向估计错了还是季节性分量的振幅被低估了。
但 ARIMA 处理多变量的能力有限。工业场景下的能耗预测通常需要同时考虑环境温度、生产计划、设备启停状态等十几个输入变量，ARIMAX 的传递函数结构在变量超过 3-4 个时就变得难以维护。此外 ARIMA 假设误差项是独立同分布的白噪声，而工业数据的误差往往存在条件异方差性（波动大的时段误差也大），需要用 GARCH 系列模型处理。
一个常见的实践：在工业项目中，ARIMA 仍然是短期预测（1 小时内）的主力方案，因为计算速度快、解释性好、部署简单。很多工厂的 DCS 系统自带的能耗预测功能底层就是简化版的 ARIMA。
深度学习的兴起与困境
LSTM（长短期记忆网络）通过门控机制解决了 RNN 的梯度消失问题，理论上可以学习长程依赖关系。在工业场景的早期应用中，LSTM 展现出了比 ARIMA 更好的预测精度，尤其是在多变量和长周期（数天到数周）预测任务上。
TCN（时序卷积网络）用膨胀因果卷积替代循环结构，训练速度比 LSTM 快 2-3 倍，且并行性更好。TCN 的感受野由膨胀因子和层数决定，可以覆盖数千个时间步。对于工业设备的振动、温度等传感器数据，TCN 是一个兼顾精度和效率的选择。
Transformer 引入自注意力机制后，可以直接建模序列中任意两个时间步之间的依赖关系，不再受感受野限制。PatchTST 进一步将输入序列切分为固定长度的 patch（类似 NLP 中的 token），显著降低了计算复杂度，使得 Transformer 可以高效处理长达数周的高频时序数据。
但深度学习模型在工业落地有两个核心困境。第一是可解释性不足。一个 LSTM 或 Transformer 给出了"明天 8 点能耗会异常升高"的预测，工程师很难知道这个结论是基于历史数据的哪个模式得出的。工业决策需要可追溯——当预测用于触发产能调整或备件调度时，必须能向管理层解释清楚依据。第二是数据饥渴。深度学习模型的泛化能力高度依赖大规模训练样本，而工业场景中很多设备的历史数据不足——新上线的生产线、改造后的设备、低负荷运行的机组都只有有限的可用数据。
特征工程：连接数据与模型的关键
无论用什么模型，特征工程的质量对预测精度的影响都超过模型本身。工业时序的特征工程有几个领域特有的实践。
滞后项（Lag Features）是最基础的特征之一。对于每一个预测步长 t，引入 t-1, t-2, …, t-k 个历史值作为模型输入。k 的选择需要参考数据的自相关函数（ACF）——找到自相关系数显著衰减的滞后阶数。工业数据中，滞后项的数量通常在 12-48 之间（对应 12-48 小时的历史窗口）。
傅里叶分量用于捕捉周期性。对于季节性明显的数据，提取 24 小时周期、7 天周期的前几个傅里叶系数作为特征，可以让模型更快学习季节性模式。Prophet 模型内置了这个机制，用户只需声明季节性周期即可。
事件标记是工业场景特有的特征。设备维护、工艺切换、启停操作这些离散事件用 one-hot 编码或嵌入向量表示后作为额外输入。例如，预测能耗时标记是否处于"生产旺季"、"周末"、"设备大修"等状态，模型就能学会在这些不同语境下用不同的预测逻辑。
滚动窗口统计特征（移动平均、移动标准差、移动极差）在 XGBoost 等树模型中效果很好——这些特征捕捉了局部趋势和波动强度。工业预测中，窗口大小的选择通常覆盖一个完整的工艺周期，而不是用固定的 5 点或 10 点窗口。
实时对接：从离线训练到在线推理
工业预测系统不能是纯离线的。新的传感器数据不断产生，模型需要周期性地用新数据更新，同时持续对外提供预测结果。这条数据管道的延迟直接影响预测的实用价值——如果能耗预测比实时值晚了半小时，对调度来说意义有限。
一个完整的实时预测管道包含以下环节：
- 原始数据接入——从 MES、SCADA、PLC 等系统拉取最新数据，写入工业数据平台
- 数据预处理——异常检测、断点插值、特征计算（滞后项、傅里叶分量、事件标记）
- 模型推理——用当前模型对预处理后的数据做预测
- 结果推送——预测结果写入实时数据库，通过 API 或消息队列推送给下游系统
- 模型更新——周期性用新数据重新训练或增量更新模型，验证精度后上线
第 3 步的推理延迟是关键指标。对于秒级更新的传感器数据，推理延迟必须控制在毫秒级。TCN 和 Transformer 这类深度学习模型需要专门做推理优化——量化（FP32 → INT8）、剪枝、算子融合。工业数据平台如果能在数据写入时自动完成特征工程，推理模块只需做模型前向传播，整体延迟可以控制在 100ms 以内。
结语
工业时序预测的选型没有银弹。ARIMA 仍然是短期单变量预测的首选，可解释性和部署成本的优势难以被替代。LSTM、TCN 适合中等规模的多变量任务，Transformer 在长序列和复杂模式上展现优势但需要更大数据量和计算资源。在实际项目中，组合策略往往效果最好——用 STL 分离趋势、季节性和残差分量，不同分量用不同模型预测后再聚合。AI 原生工业数据平台的价值在于将这条从原始数据到实时预测的管道标准化，为工业互联网建设中的预测性维护、能耗优化等应用提供统一支撑，让工程师聚焦于特征工程和模型迭代，而非数据接入和管道运维。
