DeePar(Deep Reoterressive)是一种最先进的概率预测算法，该算法专为时间序列数据设计，由亚马逊开发，广泛用于实时预测应用程序。 DeePar在实时预测中的优势植根于其深度学习体系结构，概率输出，可扩展性以及在多个时间序列中利用信息的能力。以下是对Deepar实时预测的主要好处的广泛阐述：
DeePar提供了一个概率的预测框架，其中预测是对未来值而不是单点估计的完整概率分布的。这使决策者可以通过相关的置信区间评估可能的结果范围，从而支持更好的风险管理和更明智的决策。例如，零售商可以通过了解需求不确定性来优化库存水平，而财务分析师可以根据预测分布而不是仅点预测来更好地评估投资组合风险。
DeePar的主要优点是其自回归的神经网络体系结构，每个时间步骤的预测取决于历史观察以及其过去的预测。这使该模型可以在时间序列中捕获复杂和非线性的时间依赖性，从而使其能够适应复杂的模式，例如季节性，趋势和突然的变化。与诸如Arima这样的经典模型不同，它假设线性关系并且通常需要每个系列的单独模型，Deepar学习了适用于许多相关时间序列的全局模型。
Deepar同时从多个相关时间序列中学习。它没有将单个模型拟合到每个系列，而是在数百或数千个相关序列上共同训练单个模型。这种联合学习方法使DeePar可以捕获跨系列的共享基础动态，从而提高了预测准确性，尤其是对于有限的历史数据系列而言。该功能还解决了冷门问题，通过从类似系列中传输知识，从而为新系列或稀疏系列提供了预测。
该模型还有效地结合了影响时间序列行为的外部协变量和分类特征。通过将分类变量嵌入连续的向量空间并使用动态时间依赖性协变量，DeePar可以考虑其他信息，例如促销事件，产品类别，天气条件或节日。这增强了其对数据上下文建模并提高预测精度的能力，在基本条件发生变化的实时应用程序中。
Deepar采用了一种时间注意机制，该机制在做出预测时会动态地权衡不同时间点的重要性。这种选择性关注相关的历史数据点有助于捕获长期依赖性和变化的模式，而不会被噪声或无关数据所淹没。它有助于该模型实时预测方案快速适应新信息的能力。
另一个关键好处是推断期间使用蒙特卡洛采样方法，该方法从学习概率分布中产生了多个样本路径。这提供了对预测不确定性的丰富理解，并允许用户通过不仅提供中位数预测，还提供预测间隔和尾巴风险来估计各种分位数，从而增强决策能力。
Deepar的可伸缩性和自动化使其在实时应用中非常实用。它可以有效地处理具有数千个时间序列的大规模数据集，从而无需大量的手动调整即可自动化功能选择和模型培训过程。这减少了预测模型开发和维护所需的精力和时间，使其适用于实时预测至关重要的零售，金融或物联网等动态环境。
该算法旨在处理各种时间序列的长度和稳固的数据丢失，可容纳通常不规则或不完整的现实数据集。通过在训练过程中随机采样上下文和预测窗口，并自动包含滞后值，即使数据质量变化也可以捕获季节性和依赖性，这在实时流中很常见。
在不同行业的多个基准测试研究中，Deepar优于经典预测方法，例如Arima和指数平滑。通过利用复发性神经网络(RNN)和深度学习的能力，与基准相比，它的预测错误率最高可下降50％，从而为实时应用提供了出色的预测准确性和可靠性。
总而言之，Deepar在实时预测中的优势包括：
- 概率输出与预测间隔，以更好的风险评估和决策。
- 自回归的RNN体系结构捕获复杂的时间模式和非线性动力学。
- 跨多个相关系列学习，提高了准确性并解决冷启动问题。
- 集成外部协变量和分类嵌入，以进行上下文化的预测。
- 使用时间关注，以适应相关的历史数据。
- 蒙特卡洛采样，以进行丰富的不确定性定量。
- 高度可扩展和自动化，适用于大规模和快速变化的数据集。
- 强大的丢失数据和可变长度系列的处理。
- 表现出优于经典预测方法的精度。