- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据STUDIO
经典时间序列模型 DeepAR 预测股票趋势
本文将讨论 DeepAR 预测算法，并将其用于时间序列预测。 什么是 DeepAR？ 亚马逊公司开发了一种最先进的概率预测算法，称为Deep Autoregressive或DeepAR。 DeepAR 的工作原则 DeepAR 的一些主要工作原理如下： 自回归架构：DeepAR 采用自回归神经网络架构，每个时间步的预测都取决于历史观测数据和模型自身过去预测的组合。 评估 DeepAR 本身提供多种性能指标，如量化损失、MAPE 等。 DeepAR 预测股票 DeepAR 建立了一个全局模型，适用于多步骤预测、多序列预测，并能提供具有不确定性的预测。我们用沃尔玛商店每周销售额的多个时间序列测试了 DeepAR 的预测能力。 from gluonts.mx.model.deepar import DeepAREstimator #from gluonts.torch.model.deepar.estimator import
1.1K11编辑于 2024-05-22 - 来自专栏素质云笔记
回顾︱DeepAR 算法实现更精确的时间序列预测（二）
2 DeepAR原理和实现过程 为了便于学习与时间相关的模式(如周末的峰值),DeepAR 会根据目标时间序列的频率自动创建特征时间序列。 算法的工作方式DeepAR https://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/deepar_how-it-works.html DeepAR 4 deepAR模型评估 点预测评估： DeepAR 算法使用不同的准确性指标评估训练后的模型。 /deepar_electricity/DeepAR-Electricity.ipynb 使用 DeepAR - Synthetic 数据进行时间序列预测 https://github.com/ /latest/dg/deepar.html
4.2K20编辑于 2021-12-07 - 来自专栏算法进阶
Lag-Llama：时间序列大模型开源了！
5、与TFT和DeepAR相比 我们在数据集上训练TFT和DeepAR模型，看看它们是否能表现得更好。 为了节省时间，我们将训练设置为5个epoch。 tft_predictor = tft_estimator.train(dataset.train) deepar_predictor = deepar_estimator.train(dataset.train , deepar_ts_it = make_evaluation_predictions( dataset=backtest_dataset, predictor=deepar_predictor ) deepar_tss = list(deepar_ts_it) # Get evaluation metrics tft_agg_metrics, tft_ts_metrics = evaluator (iter(tft_tss), iter(tft_forecasts)) deepar_agg_metrics, deepar_ts_metrics = evaluator(iter(deepar_tss
2.1K10编辑于 2024-02-29 - 来自专栏DeepHub IMBA
Lag-Llama:第一个时间序列预测的开源基础模型介绍和性能测试
5、与TFT和DeepAR相比 我们在数据集上训练TFT和DeepAR模型，看看它们是否能表现得更好。 为了节省时间，我们将训练设置为5个epoch。 tft_predictor = tft_estimator.train(dataset.train) deepar_predictor = deepar_estimator.train(dataset.train , deepar_ts_it = make_evaluation_predictions( dataset=backtest_dataset, predictor=deepar_predictor ) deepar_tss = list(deepar_ts_it) # Get evaluation metrics tft_agg_metrics, tft_ts_metrics = evaluator (iter(tft_tss), iter(tft_forecasts)) deepar_agg_metrics, deepar_ts_metrics = evaluator(iter(deepar_tss
1.8K10编辑于 2024-02-21 - 来自专栏拓端tecdat
Python电力负荷预测：LSTM、GRU、DeepAR、XGBoost、Stacking、ARIMA结合多源数据融合与SHAP可解释性的研究
3.2 SHAP可解释性：解析模型协同机制通过SHAP分析各基础模型在组合中的作用：DeepAR-GRU组合：下图为其SHAP分析图，GRU的SHAP值覆盖广、分布散，承担捕捉短期负荷突变的核心角色；DeepAR DeepAR-LSTM组合：下图为其SHAP分析图，LSTM的SHAP值向正区间延伸明显，擅长挖掘长期趋势（如季节负荷变化）；DeepAR校准预测分布，修正LSTM的长时序偏差，确保结果符合统计规律。 ，GRU的短期捕捉能力与DeepAR的概率框架协同应对极端气候。 模型组合场景MAERMSE样本数DeepAR-GRU夏季高峰60.8683.92155DeepAR-GRU冬季早晨74.7198.84368DeepAR-LSTM夏季高峰66.1391.51155DeepAR-LSTM DeepAR-LSTM：适配哈尔滨、长春、沈阳、西安等寒温带/温带大陆性气候城市，LSTM记忆长期供暖规律（如每日6:00集中供暖启动），DeepAR提供工业用电统计基准，XGBoost抑制节假日异常波动
44610编辑于 2026-02-12 - 来自专栏量化投资与机器学习
利用动态深度学习预测金融时间序列基于Python
SageMaker released a first version of a built-in time series forecasting method based on RNN called DeepAR , so I’ll also compare performance of the custom model with DeepAR. DeepAR in contrast is pre-built and as such the easiest and fastest way to forecast time series based Then we compare the results with those obtained from ARIMAx and DeepAR. Since the DeepAR product team does not recommend the use of co-factors in the past, I trained the DeepAR
2.6K31发布于 2018-11-16 - 来自专栏数据STUDIO
时间序列预测：深度学习与统计学，谁赢了？
Ensemble-DL由200个模型组成，每个类别（DeepAR、Transformer、WaveNet和MLP）有50个模型。 另外，DeepAR也取得了与Ensemble-S非常相似的结果。有趣的是，图2显示，尽管Ensemble-DL胜过Ensemble-S，但只有DeepAR胜过单个统计模型。这是为什么呢？ 唯一的DL自回归模型是DeepAR。这就是为什么DeepAR在第一个水平线上表现得非常好，与其他DL模型相反。 数据重要性 在之前的实验中，作者只使用了M3数据集中的1045个时间序列。 另外，DeepAR也取得了与Ensemble-S非常相似的结果。有趣的是，图2显示，尽管Ensemble-DL胜过Ensemble-S，但只有DeepAR胜过单个统计模型。这是为什么呢？ 唯一的DL自回归模型是DeepAR。这就是为什么DeepAR在第一个水平线上表现得非常好，与其他DL模型相反。 数据重要性 在之前的实验中，作者只使用了M3数据集中的1045个时间序列。
84910编辑于 2024-04-11 - 来自专栏拾光学迹
深度学习与统计学中的时间序列预测
DeepAR：亚马逊第一个成功的自动回归网络，结合了LSTM（2017）。 注意：深度学习模型现在已经不再是最先进的（State-of-the-Art，SOTA）技术（稍后将详细讨论）。 Ensemble-DL由200个模型组成，每个类别（DeepAR、Transformer、WaveNet和MLP）有50个模型。 另外，DeepAR也取得了与Ensemble-S非常相似的结果。有趣的是，图2显示，尽管Ensemble-DL胜过Ensemble-S，但只有DeepAR胜过单个统计模型。这是为什么呢？ 唯一的DL自回归模型是DeepAR。这就是为什么DeepAR在第一个水平线上表现得非常好，与其他DL模型相反。 5. 深度学习模型是否随着更多的数据而改进？ 研究确定了亚马逊的DeepAR作为理论预测准确性最好的DL模型。因此，DeepAR是唯一一种能够在个体层面超越统计模型的模型。然而，DeepAR模型现在已经有6年多的历史了。
38000编辑于 2025-02-26 - 来自专栏素质云笔记
回顾︱时间序列预测与分解有哪些模型？（一）
my_second_time_series, my_third_time_series]) >>> y = [0, 1, 1] 4 一些深度学习时序库 4.1 AWS的DeepAR DeepAR，可以将时间序列与多个分组关联，可以处理统计学难以处理的非线性问题和规模问题，可以在几乎没有历史数据的情况下执行冷启动时间序列预测，只需要有类似的事件序列相支持。 例如，我有历史方便面的销售数据若干，现在新上市了一款自热米饭，只有几天的数据，依然可以使用 DeepAR 结合历史方便面的数据预测自热米饭的未来销售走势。这也是算法的一大亮点。 Forecasting任务： 常规RNNs/LSTMs 4.3 demand_forecast https://github.com/jingw2/demand_forecast 一些Deep算法的集合： DeepAR , MQ-RNN, Deep Factor Models, LSTNet, and TPA-LSTM DeepAR MQ-RNN Deep Factors TPA-LSTM 4.4 microsoft
3.2K11编辑于 2021-12-07 - 来自专栏数据STUDIO
用于时间序列预测的最佳深度学习模型总结
DeepAR 结合深度学习和自回归特性的新颖时间序列模型。 图2显示了DeepAR的顶层架构: 以下是该模型的主要优势: DeepAR在多个时间序列上工作得非常好:通过使用多个分布略有不同的时间序列来构建全局模型。也适用于许多现实场景。 这在DeepAR中是不需要手动操作的，因为底层的模型对每个时间序列i的自回归输入z进行缩放，缩放因子为v_i，即该时间序列的平均值。 鉴于目前所看到的，我们可以使用DeepAR并将每个城市作为外部静态协变量进行建模。 换句话说，该模型将同时考虑时间和空间关系。 这在TFT中是可行的，但在DeepAR中不行。 图5显示了如何使用所有这些特性的示例: TFT非常强调可解释性。
1.9K21编辑于 2023-09-04 - 来自专栏DeepHub IMBA
5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型
DeepAR 结合深度学习和自回归特性的新颖时间序列模型。 图2显示了DeepAR的顶层架构: 以下是该模型的主要优势: DeepAR在多个时间序列上工作得非常好:通过使用多个分布略有不同的时间序列来构建全局模型。也适用于许多现实场景。 这在DeepAR中是不需要手动操作的，因为底层的模型对每个时间序列i的自回归输入z进行缩放，缩放因子为v_i，即该时间序列的平均值。 鉴于目前所看到的，我们可以使用DeepAR并将每个城市作为外部静态协变量进行建模。 换句话说，该模型将同时考虑时间和空间关系。 这在TFT中是可行的，但在DeepAR中不行。 图5显示了如何使用所有这些特性的示例: TFT非常强调可解释性。
6K10编辑于 2022-11-11 - 来自专栏数据派THU
5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型（附代码）
DeepAR 结合深度学习和自回归特性的新颖时间序列模型。 图2显示了DeepAR的顶层架构: 以下是该模型的主要优势: DeepAR在多个时间序列上工作得非常好:通过使用多个分布略有不同的时间序列来构建全局模型。也适用于许多现实场景。 这在DeepAR中是不需要手动操作的，因为底层的模型对每个时间序列i的自回归输入z进行缩放，缩放因子为v_i，即该时间序列的平均值。 鉴于目前所看到的，我们可以使用DeepAR并将每个城市作为外部静态协变量进行建模。 换句话说，该模型将同时考虑时间和空间关系。 这在TFT中是可行的，但在DeepAR中不行。 图5显示了如何使用所有这些特性的示例: TFT非常强调可解释性。
1.6K30编辑于 2022-08-29 - 来自专栏新智元
矩阵分解就能击败深度学习！MIT发布时序数据库tspDB：用SQL做机器学习
将tspDB的预测性能与学术界和工业界最流行的时间序列库如LSTM、DeepAR、TRMF和Prophet进行比较后可以发现，tspDB的表现与深度学习算法（DeepAR和LSTM）相比都相差不多，并且超过了 使用WBC和NRMSE这两个指标，tspDB在电力、金融数据集中的表现优于其他所有算法，而在交通数据集中的表现可与DeepAR和LSTM匹敌。 实验结果中可以发现，除了一个实验之外，tspDB在所有的实验中都比TRMF和DeepAR（用于预测）具有更高的性能（>98%）。
61940编辑于 2022-04-07 - 来自专栏贾志刚-OpenCV学堂
数据库都深度学习了！MIT发布时序数据库tspDB：用SQL做机器学习
将tspDB的预测性能与学术界和工业界最流行的时间序列库如LSTM、DeepAR、TRMF和Prophet进行比较后可以发现，tspDB的表现与深度学习算法（DeepAR和LSTM）相比都相差不多，并且超过了 使用WBC和NRMSE这两个指标，tspDB在电力、金融数据集中的表现优于其他所有算法，而在交通数据集中的表现可与DeepAR和LSTM匹敌。 实验结果中可以发现，除了一个实验之外，tspDB在所有的实验中都比TRMF和DeepAR（用于预测）具有更高的性能（>98%）。
1.3K10编辑于 2022-04-07 - 来自专栏数据STUDIO
使用机器学习、生成式人工智能和深度学习预测时间序列数据
DeepAR DeepAR 由亚马逊开发，是一种专为时间序列预测而设计的自回归循环网络。它可以处理多个时间序列并能捕捉复杂的模式。
77710编辑于 2024-07-24 - 来自专栏圆圆的算法笔记
如何建模时间序列的不确定性？
层次时间序列预测指南 Spatial-Temporal时间序列预测建模方法汇总 12篇顶会论文，深度学习时间序列预测经典方案汇总 1 方法1：建模概率分布 第一种方法是直接对未来时间序列的概率分布进行建模，其中DeepAR 首先假设，待预测的时间序列在每个时间步的取值都服从某种分布，DeepAR对于实值时间序列采用高斯分布的假设。因此，问题转换为，预测每个时间步高斯分布的均值和方差。 下面结合DeepAR的具体代码来看一下具体实现方法。
1.4K10编辑于 2022-09-22 - 来自专栏圆圆的算法笔记
12篇顶会论文，深度学习时间序列预测经典方案汇总
RNN时序预测模型 DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks（2017）首先采用深度学习模型解决时间序列预测问题 在模型实现上，相比DeepAR，模型在训练或预测阶段，每个时刻都不需要输入上一个时刻的真实值或预测值了，完全由隐状态建立连续两个时刻的联系。这样解决了DeepAR中训练和预测不一致的问题。 DeepAR和Deep State Space Model都是one-horizon forecast model，即每次只能预测未来一个时刻的值。
1.4K41编辑于 2022-09-22 - 来自专栏计算机视觉工坊
可以估计不确定性的神经网络：SDE-Net
之前我介绍过可以预测概率分布的DeepAR模型，其实这次介绍的SDE-Net与它的目标是一致的，都是令模型在预测的基础上还能够度量预测结果的不确定性，不过SDE-Net的实现这个目标的思路与DeepAR 段易通：概率自回归预测——DeepAR模型浅析 https://zhuanlan.zhihu.com/p/201030350 不确定性 上文中已经提到，我们的目的是要量化不确定性，那么我们当然要先知道是什么导致了模型的不确定性 下图是对两种不确定度对模型预测结果影响的示意图，我们这里用到的是概率模型（比如说DeepAR或者后面要说的SDE-Net，输出的是一个随机变量而不是一个定值，因此通过模型得到的其实是一个概率分布）。
2K10发布于 2020-11-11 - 来自专栏Python进阶之路
成功解决 ModuleNotFoundError: No module named ‘gluonts.torch.modules.distribution_output‘
gluonts.dataset.common import ListDataset from gluonts.dataset.util import to_pandas from pts.model.deepar
2.2K20编辑于 2022-12-18 - 来自专栏气象学家
时间序列预测一定需要深度学习模型吗？
DeepAR模型是一个自动回归的概率RNN模型，在附加时间和分类协变量的帮助下，从时间序列中估计参数分布。 DeepAR, DeepState, TFT 03 多变量时间序列预测 vs. DARNN vs.
62220编辑于 2022-06-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号