DeePar是一种使用经常性神经网络预测标量时间序列的监督学习算法，主要由亚马逊通过其SageMaker AI平台提供。当应用于由许多相关时间序列组成的数据集时，该算法会出色，该算法利用了在这些系列中训练的单个模型，以优于Arima或指数平滑的传统方法。它可用于生成与培训数据共享相似之处的新时间序列的预测，并且支持可选的静态分类特征和动态时间相关的功能，以进行更细微的建模。 Sagemaker AI允许在CPU和GPU实例上培训DEEPAR模型，尽管推理仅支持CPU实例。可以在较大的实例或群集上缩放模型，以有效处理复杂或大型数据集。
关于Deepar在AWS之外的云服务(例如Google Cloud或Microsoft Azure)的使用，在这些平台上，与AWS SageMaker AI的产品类似于Deepar的直接服务。但是，Google的云生态系统涉及广泛的机器学习和数据处理工具，这些工具可能通过自定义开发实现类似于DeePar的模型。例如，Google Cloud Platform(GCP)提供与TensorFlow的集成，TensorFlow是一个开源机器学习框架，用于诸如复发神经网络之类的深度学习模型。 TensorFlow可以用于重新创建类似Deepar的预测模型，利用GCP的AI和机器学习服务，例如AI平台，BigQuery ML或通过DataFlow或Vertex AI策划的自定义管道。
Microsoft Azure还提供了一系列的AI和机器学习服务，以支持反复的神经网络和时间序列预测。 Azure Machine Learning允许用户使用TensorFlow或Pytorch等框架开发自定义模型，从而实现Deepar等效模型的构建。 Azure的AI生态系统可以与其数据存储和处理服务(例如Azure Synapse Analytics和Azure Databricks)集成，以进行全面的时间序列数据管理，准备和预测。 Azure的可伸缩性和混合云支持有助于在各种企业环境中部署此类模型。
Deepar天生就是一种研究和实施方法，由亚马逊发布和运营，而不是严格限于AWS的专有技术。模型体系结构和培训原理足以在具有正确的专业知识和资源的其他云平台上复制。 Google的机器学习基础架构(包括TensorFlow和TPU资源)可以为时间序列预测提供类似的深层自回归模型，而Microsoft Azure为在其生态系统中构建，培训和部署此类模型提供了基础服务。因此，尽管AWS SageMaker之外没有开箱即用的Deepar服务，但Google Cloud和Microsoft Azure都提供了必要的组件，以实现针对特定预测需求量的类似Deepar的工作流。
此外，围绕DeePar的研究包括利用边缘，设备和云计算层的混合执行框架。这些框架考虑在设备和云资源上划分神经网络执行，以优化性能，在多云或混合云环境中积分。这种方法非常适合Google Cloud和Microsoft Azure的可扩展，分布式功能，尤其是用于工业物联网或移动方案中的边缘到云应用程序。
总之，Deepar作为商标或包装服务目前可直接在AWS Sagemaker AI上获得。尽管如此，它可以通过构建自定义模型，利用TensorFlow或其他深度学习框架，并采用这些云提供商的数据和AI基础架构来实现其潜在的深层自回归预测方法。这种方法需要ML工程专业知识，但在这些云环境中提供了充分的灵活性和集成可能性，从而支持了类似于Deepar的复杂时间序列预测解决方案。
使用的参考文献：-Amazon Sagemaker Deepar文档和算法详细信息
- Google的云AI和机器学习服务功能和集成模式
- 有关云平台AI服务的比较和信息，包括Azure
- 描述Deepar方法论和混合云执行框架的研究文献