[논문 리뷰] GluonTS: Probabilistic Time Series Models in Python

A. Alexandrov, Konstantinos Benidis외 11명|arXiv (Cornell University)|2019. 06. 12.

Time Series Analysis and Forecasting참고 문헌 36인용 수 76

한 줄 요약

GluonTS는 확률적, 딥 러닝 기반 시계열 모델링을 위한 Python 라이브러리로, 예측 및 이상 탐지를 위한 구성요소, 모델, 데이터 처리, 평가 및 벤치마킹 도구를 제공합니다.

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.

연구 동기 및 목표

• GluonTS를 시계열 모델의 빠른 개발과 실험을 위한 도구 키트로 소개합니다.
• 빠른 모델 구성을 가능하게 하는 구성 요소들(분포, 아키텍처, 전처리)을 제공합니다.
• 예측 및 이상 탐지를 위해 딥 러닝 및 확률적 모델(상태 공간 모델과 가우시안 프로세스 포함) 모두를 지원합니다.
• 작은 데이터세트에서 큰 데이터세트까지의 확장성과 재현 가능한 실험 로깅을 보여줍니다.
• 공개 데이터세트에서 사전 번들링된 모델을 벤치마킹하여 사용성과 성능을 보여줍니다.

제안 방법

• 구성 요소가 명확한 인터페이스를 가지며 결합될 수 있는 모듈식이고 확장 가능한 아키텍처를 제공합니다.
• Estimator -> Train -> Predictor 워크플로우가 있는 상태 비저장 예측기 API를 제공합니다.
• 확률적 예측을 위한 유연한 분포/출력 추상화를 정의합니다(가우시안, Student-t, 감마, 음의 이항, 구간화된 분포, 변환 분포).
• 자가회귀 모델의 샘플 경로, 분위수 예측 등 다양한 예측 표현과 공통 평가 인터페이스를 지원합니다.
• DatasetRepository를 통한 데이터 입/출력과 합성 데이터 생성기를 포함하고, 스트림 기반 데이터 처리 파이프라인과 Transformation 단계가 포함됩니다.
• DeepState를 포함한 상태공간, 구분적 시퀀스-대-시퀀스, 자가회귀, NPTS, DeepAR, Wavenet, Transformer 등 여러 모델 계열과 분위수 회귀 및 신경망 아키텍처와 같은 기법을 구현합니다.

실험 결과

연구 질문

• RQ1 GluonTS가 다양한 작업(예측, 이상 탐지)에 걸쳐 확률적 시계열 모델의 신속한 구성 및 평가를 어떻게 가능하게 할 수 있는가?
• RQ2 공개 데이터세트에서 다양한 사전 번들링된 모델의 예측 정확도와 확장성 측면에서의 성능은 어떤가?
• RQ3 확률적 분포, 신경망 아키텍처 및 전통적인 시계열 구성요소를 결합하는 데 통합되고 모듈식인 도구키트가 어떻게 용이하게 할 수 있는가?
• RQ4 대규모 시계열 모음에서 학습된 딥 러닝 시계열 모델이 표준 벤치마크에서 기존의 로컬 모델보다 성능이 우수할 수 있는가?

주요 결과

• GluonTS는 시계열 작업을 위한 빠른 모델 구축과 평가를 지원하는 확장 가능하고 모듈식인 구성 요소를 제공합니다.
• 프레임워크에는 분포, 시퀀스용 신경망 아키텍처, 특징 처리 파이프라인이 포함되어 있어 생성 모델과 판별 모델의 조합을 가능하게 합니다.
• 일련의 모델(DeepAR, Transformer, CNN-QR, NPTS, Wavenet, DeepState)을 조합하고 11개의 공개 데이터세트에서 벤치마킹할 수 있습니다.
• 실험을 통해 신경망 방법이 데이터세트 전반에서 ARIMA/ETS 기본값과 비교하여 우수한 성능을 보이며, 실용적으로 사용할 수 있는 실행 시간을 보임을 보여줍니다.