GluonTS: Probabilistic Time Series Models in Python

作者：

Alexander Alexandrov, Konstantinos Benidis, Michael Bohlke-Schneider, Valentin Flunkert, Jan Gasthaus, Tim Januschowski, Danielle C. Maddix, Syama Rangapuram, David Salinas, Jasper Schulz, Lorenzo Stella, Ali Caner Türkmen, Yuyang Wang

來源：

Machine Learning (cs.LG)  

Submitted on 12 Jun 2019 (v1), last revised 14 Jun 2019

文檔鏈接：

arXiv:1906.05264  

代碼鏈接：

https://github.com/awslabs/gluon-ts

我們將介紹Gluon時間序列(GluonTS，在此https URL中可用)，這是一個用于基于深度學習的時間序列建模的庫。膠子簡化了時間序列模型的開發和實驗，用于預測或異常檢測等常見任務。它提供了科學家快速構建新模型、高效運行和分析實驗以及評估模型精度所需的所有必要組件和工具。

We introduce Gluon Time Series (GluonTS, available at this https URL), a library for deep-learning-based time series modeling. GluonTS simplifies the development of and experimentation with time series models for common tasks such as forecasting or anomaly detection. It provides all necessary components and tools that scientists need for quickly building new models, for efficiently running and analyzing experiments and for evaluating model accuracy.

本文的結構如下。在第2節中，我們將討論庫的一般設計原則和體系結構，并討論GluonTS中可用的不同組件。在第3節中，我們正式介紹了膠子允許解決的一系列時間序列問題。第4節概述了常見的神經預測體系結構，這些體系結構可以用膠子組裝，也可以作為預綁定的基準模型實現。在第5節中，我們運行了基于11個公共數據集的已發布的基于深度學習的預測模型的基準模型，并演示了這些模型對異常檢測等其他任務的適用性。我們在第6節討論了相關的工作，并在第7節中總結了未來的工作。

我們介紹了GluonTS，這是一個基于深度學習和概率建模技術構建時間序列模型的工具包。通過提供工具和抽象，例如概率模型、基本的神經構建塊、人類可讀的模型日志以提高可重復性和統一的I/O &膠子的評估使科學家能夠快速開發新的時間序列模型，用于預測或異常檢測等常見任務。GluonTS在Amazon的各種內部和外部用例(包括生產)中都得到了積極的使用，它幫助科學家解決了時間序列建模的挑戰。

GluonTS預綁定的最先進模型實現允許對新算法進行簡單的基準測試。我們在不同數據集上運行預綁定模型的大規模實驗中證明了這一點，并將其精度與經典方法進行了比較。這樣的實驗是深入理解時間序列建模的神經結構的第一步。下一步需要進行更多的細粒度實驗，如燒蝕實驗和控制數據實驗。膠粘物為將來的工作提供了必要的工具。

表：各模型在不同數據上對比結果