亚马逊DeepAR是一种基于深度学习的时间序列预测算法，以下是关于它的详细介绍：

技术原理

  • 自回归架构：采用自回归神经网络架构，每个时间步的预测取决于历史观测数据和模型自身过去预测的组合，能捕捉时间序列数据中复杂的依赖关系，善于处理具有复杂模式和趋势的序列。

  • 嵌入分类特征：可将与时间序列数据相关的分类特征信息，通过嵌入的方式转换为连续向量，增强了模型辨别数据中模式和关系的能力，在外部因素影响时间序列时作用明显。

  • 时间关注机制：为权衡历史数据中不同时间点的重要性，采用时间关注机制，使模型能关注时间序列的相关部分，并根据数据中的模式动态调整关注度。

  • 分位数损失训练：采用概率方法进行训练，以最小化分位数损失，优化模型生成代表未来可能值范围及相关置信度的预测区间，为决策者提供对预测相关不确定性的细致了解。

特点

  • 联合训练优势：与传统预测方法不同，传统方法如ARIMA或ETS通常为每个时间序列单独拟合一个模型，而DeepAR能对一组相似的时间序列进行联合训练，在处理包含数百个相关时间序列的数据集时，性能优于标准的ARIMA和ETS方法。

  • 概率预测输出：不是给出单一的预测值，而是提供未来值的概率分布，能输出未来多个时间步长的概率预测区间，让决策者评估可能的结果范围，有助于更好地进行风险评估和决策。

  • 可处理多特征：输入数据可以包含目标时间序列、特征时间序列以及分类特征，能充分利用各种信息来提高预测准确性。

应用场景

  • 库存管理：如金色三麦借助亚马逊云科技的Amazon Forecast中的DeepAR模型，结合历史采购数据、销售数据以及节庆、商场活动等外部因素，对食材采购量进行精准预测，减少了原材料短缺情况，节省了人力成本，提升了顾客用餐体验。

  • 金融市场预测：适合对一篮子股票的联合价格序列进行建模和预测，其概率预测能力可帮助投资者量化股票价格的不确定性，评估潜在下行风险，制定风险对冲策略和复杂的交易策略。

  • 能源领域：可用于预测能源消耗，帮助能源供应商提前做好资源调配和生产计划，例如根据历史能源消耗数据以及气温、季节等因素，预测未来的能源需求，优化能源供应。

  • 交通流量预测：根据历史交通流量数据，结合时间、天气、特殊事件等因素，预测未来的交通流量情况，为交通管理部门制定交通疏导方案、规划道路建设等提供决策依据。