基于深度学习模型DeepAR的时间序列预测及应用实例

• 作者: 崔久强 朱刚 李文 杜守国
• 来源期刊: 电子商务
• 关键词: 时间序列预测 循环神经网络 DeepAR模型 GluonTS
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 视角
• 页码范围: 83-86
• 页数: 4页
• 字数: 4866字
• 语种: 中文

摘要

时间序列是一种广泛存在于现实中的数据,常见的例子有股市的每日波动,每月家庭耗电量的记录等.经典的时间预测方法,往往有很多局限性,如自回归积分滑动平均方法(ARIMA)或指数平滑方法(ETS),将一个模型拟合到各个单独的时间序列,进行单点预测.而在真实场景中,知道某个商品的将来需求量的概率分布情况,比简单预测该商品未来需求量的实值更有价值.深度神经网络在时间序列预测领域已经有了许多成功的应用,Flunkert和Gasthaus等人(2019)提出了深度自回归模型(DeepAR),通过联合所有时间序列来训练单个模型受益,当数据集包含数百个相关时间序列时,DeepAR优于标准ARIMA和ETS方法.本文运用GluonTS框架对DeepAR模型在上海市制造业历年就业人数数据集上进行实证分析.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	崔久强	上海市数字证书认证中心有限公司	11	31	3.0	5.0
2	李文		19	78	5.0	8.0
3	杜守国		5	34	3.0	5.0
4	朱刚		1	0	0.0	0.0