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

来源：

Machine Learning (cs.LG)  

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

文档链接：

arXiv:1906.05264  

代码链接：

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

我们将介绍Gluon时间序列(GluonTS，在此https URL中可用)，这是一个用于基于深度学习的时间序列建模的库。胶子简化了时间序列模型的开发和实验，用于预测或异常检测等常见任务。它提供了科学家快速构建新模型、高效运行和分析实验以及评估模型精度所需的所有必要组件和工具。

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.

本文的结构如下。在第2节中，我们将讨论库的一般设计原则和体系结构，并讨论GluonTS中可用的不同组件。在第3节中，我们正式介绍了胶子允许解决的一系列时间序列问题。第4节概述了常见的神经预测体系结构，这些体系结构可以用胶子组装，也可以作为预绑定的基准模型实现。在第5节中，我们运行了基于11个公共数据集的已发布的基于深度学习的预测模型的基准模型，并演示了这些模型对异常检测等其他任务的适用性。我们在第6节讨论了相关的工作，并在第7节中总结了未来的工作。

我们介绍了GluonTS，这是一个基于深度学习和概率建模技术构建时间序列模型的工具包。通过提供工具和抽象，例如概率模型、基本的神经构建块、人类可读的模型日志以提高可重复性和统一的I/O &胶子的评估使科学家能够快速开发新的时间序列模型，用于预测或异常检测等常见任务。GluonTS在Amazon的各种内部和外部用例(包括生产)中都得到了积极的使用，它帮助科学家解决了时间序列建模的挑战。

GluonTS预绑定的最先进模型实现允许对新算法进行简单的基准测试。我们在不同数据集上运行预绑定模型的大规模实验中证明了这一点，并将其精度与经典方法进行了比较。这样的实验是深入理解时间序列建模的神经结构的第一步。下一步需要进行更多的细粒度实验，如烧蚀实验和控制数据实验。胶粘物为将来的工作提供了必要的工具。

表：各模型在不同数据上对比结果