基于深度学习模型DeepAR的时间序列预测及应用实例

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。