[論文レビュー] GluonTS: Probabilistic Time Series Models in Python

A. Alexandrov, Konstantinos Benidis+11 more|arXiv (Cornell University)|Jun 12, 2019

Time Series Analysis and Forecasting参考文献 36被引用数 76

ひとこと要約

GluonTS は、予測と異常検知のための確率的で深層学習ベースの時系列モデル化のための Python ライブラリで、コンポーネント、モデル、データ処理、評価、およびベンチマーキングツールを提供します。

ABSTRACT

We introduce Gluon Time Series (GluonTS, available at https://gluon-ts.mxnet.io), 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.

研究の動機と目的

• GluonTS を、時系列モデルの迅速な開発と実験のためのツールキットとして紹介する。
• 素早いモデル構築を可能にするコンポーネント（分布、アーキテクチャ、前処理）を提供する。
• 予測と異常検知のために、状態空間モデルやガウス過程を含む深層学習と確率的モデルの両方をサポートする。
• 小規模データセットから大規模データセットまでのスケーラビリティと、再現可能な実験ログを示す。
• 公開データセット上で事前にバンドルされたモデルをベンチマークし、使いやすさと性能を示す。

提案手法

• コンポーネントが明確なインターフェースを持ち、組み合わせ可能な、モジュラルで拡張性のあるアーキテクチャを提供する。
• Estimator -> Train -> Predictor ワークフローを備えたステートレス予測APIを提供する。
• 確率予測のための柔軟な分布/出力の抽象化を定義する（Gaussian、Student-t、gamma、negative binomial、ビン分布、変換分布）。
• 自己回帰モデルからのサンプルパスや分位予測など、さまざまな予測表現と共通の評価インターフェースをサポートする。
• DatasetRepository を介したデータ I/O と合成データ生成器を含み、ストリームベースのデータ処理パイプラインと Transformation ステップを提供する。
• 複数のモデルファミリを実装する（state-space – including DeepState; discriminative sequence-to-sequence; auto-regressive; NPTS; DeepAR; Wavenet; Transformer）および分位回帰やニューラルアーキテクチャなどの手法。

実験結果

リサーチクエスチョン

• RQ1 GluonTS は、多様なタスク（予測、異常検知）に跨る確率的時系列モデルの迅速な構築と評価をどのように可能にするか。
• RQ2 公開データセットにおける事前にバンドルされた様々なモデルの予測精度とスケーラビリティの性能はどのようか。
• RQ3 確率分布、ニューラルアーキテクチャ、伝統的な時系列コンポーネントを組み合わせることを、統一されたモジュラーなツールキットがどのように促進できるか。
• RQ4 大規模な系列の集合で学習した深層学習時系列モデルは、標準ベンチマークで従来のローカルモデルを上回ることができるか。

主な発見

• GluonTS は、時系列タスクのための迅速なモデル構築と評価を支援する、スケーラブルでモジュラーなコンポーネントを提供します。
• このフレームワークには、分布、系列のニューラルアーキテクチャ、特徴量処理パイプラインが含まれており、生成モデルと判別モデルの組み合わせを可能にします。
• DeepAR、Transformer、CNN-QR、NPTS、Wavenet、DeepState などの様々なモデルを組み立て、11 の公開データセットでベンチマークできます。
• 実験は、ニューラルネットワーク手法がデータセット全体で ARIMA/ETS のベースラインと良好な比較を示し、実用的な使用に適した実行時間を持つことを示している。