DeepAR
DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks · Ayrıca şöyle bilinir: DeepAR — Olasılıksal RNN Tahmini, probabilistic autoregressive RNN forecasting, Amazon DeepAR
DeepAR, Salinas, Flunkert ve Gasthaus (2017; yayınlanma 2020) tarafından tanıtılan Amazon'un endüstriyel tahmin modelidir. Bu model, olasılık dağılımının parametrelerini her adımda tahmin etmek için özyinelemeli bir tekrarlayan sinir ağı kullanan ve tek bir nokta tahmini yerine bir güven aralığı üreten bir modeldir. Tek bir model içinde birçok ilişkili zaman serisini ortaklaşa modelleyebilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yaklaşık 100 gözlemden en az olan sürekli zaman serisi veya panel verilerde tahmin ve öngörü için iyi bir uyumdur ve özellikle birlikte modellemek için birçok ilişkili seriniz olduğunda güçlüdür. Verilere uyacak uygun bir olasılık (Gauss veya Negatif Binom gibi) seçilmelidir ve eğitim için bir GPU önerilir. Yaklaşık 500 gözlemin altında, dağılım parametreleri güvenilir bir şekilde tahmin edilemez ve Rastgele Orman gibi bir model daha güvenlidir; yaklaşık 100 gözlemin altında, özyinelemeli RNN anlamsızdır ve ARIMA gibi klasik bir yöntem tercih edilir.
Güçlü yönler & sınırlılıklar
- Sadece nokta tahminleri değil, tam olasılıksal tahminler ve güven aralıkları üretir.
- Tek bir modelde birçok ilişkili zaman serisini ortaklaşa modeller, seriler arasında güç paylaşır.
- Normal dağılımlı veriler gerektirmez ve esnek olasılıkları (Gauss, Negatif Binom) destekler.
- Veri zengini serilerden örüntüler ödünç alarak seri başına modellere göre soğuk başlangıç sorununu daha iyi ele alır.
- Oldukça büyük bir veri kümesi gerektirir; yaklaşık 500 gözlemin altında dağılım parametreleri güvenilir bir şekilde tahmin edilemez.
- Verilere uyması için önceden uygun bir olasılıksal olasılık seçilmesini gerektirir.
- Bir GPU önerilir, bu nedenle klasik tahmincilere göre daha fazla hesaplama gerektirir.
- Çok kısa serilerde (yaklaşık 100 gözlemin altında) özyinelemeli RNN anlamsız tahminler verir.
SSS
DeepAR, ARIMA'dan nasıl farklıdır?
ARIMA, tek bir seriye tek bir model uydurur ve bir nokta tahmini döndürür (isteğe bağlı olarak kendi varsayımlarından aralıklarla). DeepAR, birçok ilişkili seri boyunca tek bir tekrarlayan ağı ortaklaşa eğitir ve her adımda bir olasılık dağılımının parametrelerini çıkarır, olasılıksal tahminler verir. Tek bir kısa seride ARIMA genellikle daha iyi bir seçimdir.
DeepAR ne kadar veriye ihtiyaç duyar?
Veri açtır. Yaklaşık 500 gözlemden az olduğunda dağılım parametreleri güvenilir bir şekilde tahmin edilemez ve yaklaşık 100 gözlemden az olduğunda özyinelemeli RNN esasen anlamsızdır; bu durumlarda Rastgele Orman veya ARIMA gibi bir yöntem daha güvenlidir.
Hangi olasılık dağılımını seçmeliyim?
Olasılığı verilere uydurun: reel değerli seriler için Gauss dağılımı ve sayım verileri için Negatif Binom yaygın seçeneklerdir. Uyuşmayan bir olasılık seçmek tahmini bozar.
GPU'ya ihtiyacım var mı?
Bir GPU önerilir. Birçok seri üzerinde eğitilmiş tekrarlayan bir sinir ağı olarak DeepAR, klasik tahmincilere göre daha fazla hesaplama yoğundur ve GPU eğitimi onu ölçekte pratik hale getirir.
Kaynaklar
- Salinas, D., Flunkert, V., Gasthaus, J. & Januschowski, T. (2020). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. International Journal of Forecasting, 36(3), 1181–1191. DOI: 10.1016/j.ijforecast.2019.07.001 ↗
- Salinas, D., Flunkert, V. & Gasthaus, J. (2017). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. arXiv:1704.04110. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/tr/deep-learning/deepar
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- Zaman Serileri Tahmini için Uyumlu TahminEkonometri↔ karşılaştır
- N-HiTSDerin öğrenme↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır