中国科学院在深度学习时间序列预测领域取得重大突破：MCloudNet提升光伏预测精度，SEP框架优化数据压缩效率

时间序列预测在大规模数据无损压缩和极端天气预报等领域发挥着核心作用。然而，随着应用场景的多样化和数据复杂性的增加，现有的模型面临诸多挑战，如如何统一表达异构数据、建模长序列结构依赖以及捕捉极端天气波动等。 中国科学院计算机网络信息中心的人工智能团队针对这些挑战，开发了一系列创新算法与模型，并成功将其应用于实际系统中。首先，为解决光伏场景中天气扰动频繁和云层快速变化的问题，该团队提出了超短期多云层光伏功率预测框架 —— MCloudNet。MCloudNet 利用高、中、低云图结构来预测光流轨迹，从而增强对功率高频变化的感知和响应能力。目前，这一模型已在河北和云南等地的多个光伏电站成功部署，大幅提升了预测精度和微电网调度的稳定性。 其次，为应对传统压缩方法难以高效建模原始字节流中潜在结构的难题，团队开发了 SEP 时间序列压缩框架。SEP 框架专注于通用字节流的无损预测与压缩建模任务，通过语义增强的 patch 表示和自适应跳步机制，显著提高了对二进制数据中潜在结构的建模能力，实现了跨流显存共享与多任务并发。实验结果显示，SEP 在多模态压缩任务中，压缩率最高提升了 12.8%，处理速度提升了 32.5%。这使其具有广泛的适应性，特别是在科学数据归档等场景中具有明显优势。 上述研究成果已获得国际认可，两篇相关论文被第三十四届国际人工智能联合会议 IJCAI 2025（CCF A 类会议）录用。该研究得到了国家重点研发计划的支持，展示了中国在人工智能领域的重要进展和技术实力。