[论文解读] 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 76

一句话总结

GluonTS 是一个用于概率性、基于深度学习的时间序列建模的 Python 库，提供用于预测与异常检测的组件、模型、数据处理、评估和基准测试工具。

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.

研究动机与目标

• 介绍 GluonTS 作为一个用于时间序列模型快速开发和试验的工具包。
• 提供组件（分布、架构、预处理）以实现快速模型组装。
• 同时支持深度学习和概率模型（包括状态空间模型和高斯过程）用于预测与异常检测。
• 展示从小型到大型数据集的可扩展性以及可重复的实验日志记录。
• 在公开数据集上对预装模型进行基准测试，以说明易用性和性能。

提出的方法

• 提供一个模块化、可扩展的架构，组件具有清晰的接口并可组合。
• 提供一个无状态预测器 API，具有 Estimator -> Train -> Predictor 的工作流。
• 为概率预测定义灵活的分布/输出抽象（高斯、Student-t、伽马、负二项、分箱分布、变换分布）。
• 支持各种预测表示（自回归模型的样本路径、分位数预测）以及一个通用评估接口。
• 通过 DatasetRepository 包含数据 I/O 和一个合成数据生成器，具备基于流的数据处理管道和 Transformation 步骤。
• 实现多种模型族（状态空间 – 包括 DeepState；判别式序列到序列；自回归；NPTS；DeepAR；Wavenet；Transformer）以及如分位回归和神经网络架构等技术。

实验结果

研究问题

• RQ1 GluonTS 如何实现跨多种任务（预测、异常检测）对概率时间序列模型的快速构建与评估？
• RQ2 在公开数据集上，各种预装模型在预测准确性和可扩展性方面的表现如何？
• RQ3 一个统一的、模块化工具包如何促进将概率分布、神经网络架构与传统时间序列组件结合？
• RQ4 在标准基准上，使用大规模序列训练的深度学习时间序列模型是否能超越传统的局部模型？

主要发现

• GluonTS 提供可扩展、模块化的组件，支持对时间序列任务进行快速建模和评估。
• 该框架包括分布、序列的神经网络架构和特征处理管道，能够实现生成模型与判别模型的结合。
• 多种模型（DeepAR、Transformer、CNN-QR、NPTS、Wavenet、DeepState）可以组装并在11个公开数据集上进行基准测试。
• 实验证明，在多数据集上，神经网络方法与 ARIMA/ETS 基线相比具有竞争力，运行时间也适合实际使用。