> ML_ALGORITHM // DEEPAR-AUTOREGRESSIVE-RECURRENT-FORECASTING_v1.0

DeepAR (Özbağlanımlı Yinelemeli Ağlar)

Büyük zaman serisi koleksiyonları üzerinde özbağlanımlı bir LSTM ağı eğiten olasılıksal tahmin için öncü Amazon derin öğrenme yöntemi.

Deep Probabilistic Forecastingtime-series-forecastingblack-boxlarge (>100k)

Hesaplama Karmaşıklığı

Eğitim (Training):O(epochs * series * steps * LSTM_pass)

Çıkarım (Inference):O(samples * horizon * LSTM_pass)

Donanım Karakteristiği

CPU Uygunluğu:Hayır

GPU Zorunluluğu:Evet

Bellek Ayak İzi:moderate

Açıklanabilirlik ve Veri

Açıklanabilirlik Düzeyi:black-box

Eğitim Verisi İhtiyacı:large (>100k)

Olasılıksal tahmin aralıkları (p10, p50, p90) için tam Monte Carlo örnekleme yolları üretir.

Uygun Görevler:

large scale demand forecastingprobabilistic forecasting

Desteklenen Modaliteler:

time-series

GluonTSAmazon Web Services (AWS) · v0.15.1

pytorch-forecasting

DeepAR: Probabilistic Forecasting with Autoregressive Recurrent NetworksDavid Salinas, Valentin Flunkert (2020) · International Journal of Forecasting

Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler

Seri başına ölçekleme sezgiseli (ortalama seviye normalizasyonu) atlanırsa radikal farklı ölçeklere sahip seriler gradyan dengesizliğine yol açar