未来规划

在采访的最后，我们与这个团队交流了一些未来的规划与想法。

研发人员谢年韬告诉我们，团队目前使用的周期性检测算法仍然是基于传统机器学习的算法，而传统机器学习算法对于周期性检测不够灵活，且存在准确度方面的瓶颈。所以，他们正在尝试使用卷积神经网络（CNN）的方法来有效地压缩数据长度，并且从曲线相似度的视角进行判定。

其次，目前使用的预测算法基于已有数据的周期是年，需要客户有三年及以上的历史数据。也就是说，目前使用的算法对于数据长度是非常敏感的。对此，他们已经开始尝试使用循环神经网络（RNN）去训练数据，该方法对数据的长度没有要求，也不需要流量的周期必须以年为单位。

在基于深度学习的序列到序列（Sequence-To-Sequence）模型中，FreeWheel的编码器（Encoder）可以对人工设置的任意时间序列长度的流量数据进行编码操作，通过解码器（Decoder）得到一个固定长度的流量预测序列，有更强的适应性和拟合能力。

对于未来，FreeWheel也有一些期许：

（1）从现有的业务层面来看，运用更成熟的技术，通过使用对数据长度不那么敏感的算法，提升对于历史数据没有三年之久的情况的预测；

（2）在周期性检测环节和视频聚类环节上，使用效果更好的算法，达到更好的预测效果；

（3）在业务发展的层面来看，让项目的整个流程上更加灵活。因为不同客户的视频属性差别很大，他们不应该局限于在客户级别做预测，而是考虑不同维度特征的提取和融合。