gluonts: 一個基於 PyTorch 的機率性時間序列建模函式庫

它解決了什麼問題

GluonTS 提供了一個機率性時間序列建模的框架。它解決了如何進行預測的挑戰，使其不僅僅是單點估計，而是機率分佈，從而讓使用者能夠理解其預測的不確定性與預測區間。

運作原理

該函式庫建立在 PyTorch 之上，專注於基於深度學習的模型（例如 DeepAR）來分析時間序列數據。它允許使用者透過 Pandas 載入數據，將其拆分為訓練集與測試集，並訓練估計器來生成機率性預測，這些預測可以被視覺化為陰影預測區間。

目標對象

需要在 Python 中進行神經時間序列預測與機率性建模的資料科學家與研究人員。

重點特性

• 機率性預測：將預測生成為機率分佈而非單一數值。
• 深度學習整合：專為基於 PyTorch 的深度學習模型而設計。
• Pandas 整合：使用 PandasDataset 簡化數據載入與準備工作。
• 學術基礎：由多篇發表於 JMLR 與 arXiv 的科學論文支持。