返回
A Flexible Forecasting Stack
DOI:10.14778/3685800.3685813.png)
摘要
En 中文
预测将时间序列的值外推到未来,这对许多企业和组织优化核心运营至关重要。尽管如此,构建基于机器学习(ML)的预测应用仍具挑战性,原因在于非平稳数据和大数量时间序列。由于不存在单一主导的预测方法,预测系统必须支持广泛的方法,从基于深度学习的方法到基于概率建模的经典方法。我们回顾了在VLDB 2017上发表的关于预测的单一平台早期工作,并描述了我们如何将其演变为一个现代预测堆栈,该堆栈由多个层级组成,支持广泛的预测需求并自动化模型选择等常见任务。该堆栈利用了我们的开源预测库GluonTS和AutoGluon-TimeSeries、可扩展的ML平台SageMaker,并构成了无代码预测解决方案(SageMaker Canvas和Amazon Forecast)的基础,这些解决方案可在Amazon Web Services云中使用。我们分析了该堆栈的预测性能,并讨论了将其用于为云数据库服务DynamoDB、Redshift和Athena配置资源所获得的经验。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
Deep Learning Based Forecasting: A Case Study from the Online Fashion Industry基于深度学习的预测:来自在线时尚行业的一个案例研究
Temporal Fusion Transformers for interpretable multi-horizon time series forecasting用于可解释的多水平时间序列预测的时间融合变换器

