GluonTS 文档

描述

GluonTS 是一个开源的 Python 库，专为概率时间序列建模而设计，尤其侧重于基于深度学习的方法。它构建在流行的深度学习框架 PyTorch 和 MXNet 之上，为时间序列分析领域的 연구人员 和 实践者 提供了灵活性和强大的功能。

GluonTS 的主要目标是实现概率预测，这意味着它生成的预测不是单一的点估计，而是概率分布。这使得用户能够理解其预测的不确定性，并通过预测区间（例如 50% 和 90% 的范围）提供有价值的见解。对于理解风险和置信度至关重要的应用来说，这一能力至关重要。

该库提供了用于数据处理、模型训练和预测的工具集。它支持时间序列预测中常用的各种深度学习架构。提供的示例演示了在 air passengers 数据集上训练 DeepAR 模型，展示了如何分割数据、训练模型以及可视化概率预测。可以通过 pip 轻松安装，并可选择支持 PyTorch 或 MXNet 模型。

GluonTS 正在积极开发中，并有明确的贡献指南。该项目鼓励用户在科学出版物中引用相关论文。文档非常全面，提供了稳定版和开发版，以及大量的教程和研讨会材料，涵盖了从基本用法到高级深度学习预测技术的主题。

最近，GluonTS 团队发布了 Chronos，这是一套用于零样本时间序列预测的预训练模型。Chronos 可以在无需针对新时间序列进行特定训练数据的情况下，生成准确的概率预测，这代表了该领域的一项重大进展。

GluonTS 文档亮点

• 概率时间序列建模

• 基于深度学习的模型

• 支持 PyTorch 和 MXNet

• 使用 Chronos 进行零样本时间序列预测

• 生成预测的概率分布

• 预测区间（50% 和 90%）

• 数据处理和分割工具

• 模型训练和预测能力

• 用于时间序列分析的 Python 包

• 开源库

GluonTS 文档入门

1. 1

   安装 GluonTS：使用 pip 安装，并选择 PyTorch 或 MXNet 支持。

2. 2

   加载数据：准备您的时间序列数据，例如使用 Pandas。

3. 3

   分割数据：将数据集分为训练集和测试集。

4. 4

   定义估计器：选择并配置深度学习模型估计器。

5. 5

   训练模型：在训练数据上训练选定的估计器。

6. 6

   进行预测：使用训练好的模型生成概率预测。

7. 7

   可视化结果：绘制预测结果，包括真实值和预测区间。

GluonTS 文档的使用案例

• 概率预测
• 时间序列建模
• 零样本预测
• 需求预测
• 金融预测
• 资源分配

GluonTS 文档的常见问题

• 什么是 GluonTS？

  GluonTS 是一个用于概率时间序列建模的 Python 包，专注于基于 PyTorch 和 MXNet 的深度学习模型。

• GluonTS 提供哪种类型的预测？

  GluonTS 提供概率预测，这意味着它生成概率分布形式的预测，包括预测区间。

• GluonTS 的安装要求是什么？

  GluonTS 需要 Python 3.7 或更高版本。安装通过 pip 进行，并可选择包含 torch 或 mxnet 模型支持。

• GluonTS 支持哪些深度学习框架？

  GluonTS 基于 PyTorch 和 MXNet。

• 在 GluonTS 的上下文中，Chronos 是什么？

  Chronos 是 GluonTS 团队发布的用于零样本时间序列预测的一套预训练模型。

• GluonTS 能否在没有预先训练的情况下预测新的时间序列？

  是的，随着 Chronos 的发布，GluonTS 可以为在训练期间未见过的新时间序列生成准确的概率预测。

• 我如何为 GluonTS 做贡献？

  您可以参考项目贡献指南进行贡献，该指南在文档中提供。

• 在哪里可以找到使用 GluonTS 的示例？

  文档包含简单的示例、教程和研讨会材料，演示了如何使用 GluonTS 进行时间序列建模。

• 概率预测有什么好处？

  概率预测允许用户理解预测的不确定性，并通过预测区间提供有价值的见解。

• GluonTS 是否适合时间序列分析的初学者？

  虽然它侧重于深度学习，但 GluonTS 提供了文档和示例，可以帮助用户学习和应用概率时间序列建模。