Gluonts中的预制模型与张量的模型相比

Gluonts预建模型

Gluonts是专为概率时间序列建模而设计的Python工具包。它建立在Apache Mxnet深度学习框架之上，利用Gluon API。它的主要重点是涉及时间序列预测和异常检测的科学实验和生产用例。 Gluonts包含许多预先建立的最先进的模型，这些模型强调了概率预测，而不仅仅是点预测。

Gluonts中的预构建模型包括：

1. DeePar：一种流行的自动回旋复发性神经网络模型，它使用自回旋复发网络(通常基于LSTM单元)提供概率预测。它通过学习复杂的时间模式并产生分位数预测来预测。

2. Deepstate：此模型将状态空间模型与深度学习结合在一起。它将经典的概率时间序列模型(状态空间模型)与神经网络相结合，从而使其能够有效地捕获结构化的时间模式和季节性。

3。深因素：一个深层因素模型，可捕获多个时间序列中复杂的层次结构和全局模式。它利用深层神经网络组件利用潜在因子模型来建模由多个系列共享的常见模式。

4。MQ-CNN和MQ-RNN(多品质卷积和复发性神经网络)：这些模型着重于同时建模多个分位数，提供详细的概率预测，尤其是适合需要不确定性量化的应用。

5。规范和高斯LSTM：基于LSTM的模型的变体，这些模型以高斯分布或规范形式输出概率预测，支持对预测的概率解释。

6。DEEPVAR：向量自动回归模型扩展到神经网络体系结构，允许多个相关时间序列的联合建模。

这些模型可以处理季节性，假期和外部协变量等功能。 Gluonts还为分布，转换和神经构建块提供丰富的抽象和模块化组件，从而实现新模型的自定义和快速开发。

Gluonts预建模型的主要特征是：

- 概率预测：产生完整的预测分布而不是点估计，对不确定性定量有用。
- 灵活性和模块化：可以组合或扩展组件，使研究人员和从业者可以轻松地开发新的模型。
- 与数据集和实验集成：使用多种公共数据集促进基准测试和评估。
- 支持各种时间序列类型，包括分层和多元系列。
- 强调可重复性和科学实验。

时间序列的Tensorflow预构建型号

Google开发的Tensorflow是一个广泛的深度学习框架，具有广泛的生态系统。与Gluonts不同，它不仅专门用于时间序列，而是将其作为众多应用程序之一。 TensorFlow提供了几种工具和库来构建和部署时间序列预测模型，包括：

1。Tensorflow概率(TFP)：用于概率建模的附加组件，支持许多分布和概率层。尽管TFP提供了概率组件，但与Gluonts类似的完整概率时间序列预测模型不像独立包装一样成熟。

2. TensorFlow插件：包含专门的层和模型，包括一些面向时间序列的层，例如LSTM变体和可用于构建自定义预测模型的注意力机制。

3. TensorFlow预测(通过第三方和开源项目)：有一些基于开源的基于张量的时间序列库，例如“ TensorFlow时间序列”(未积极地维护)和“ TFT”实现(时间融合变压器)。

4。时间融合变压器(TFT)：最初是由Google Cloud AI研究人员介绍的，TFT是一种最新的深度学习模型，用于可解释的多匹马时间序列预测。开源有张量的实现，但通常以研究为导向的示例，而不是完整的独立预测库。

5。TensorFlow中的Keras API：具有灵活性，可以使用LSTM，GRU，Conv1D，密集层和注意力的注意机制来构建自定义模型，以预测任务，但需要更多的用户开发工作。

时间序列的预构建模型中的张量流中的关键区别：

- 具有广泛适用性超越时间序列的通用框架。
- 专注于构建自定义模型，而不是为预测的统一API提供广泛的预制模型。
- 概率建模的张量概率的可用性，但没有像Gluonts一样丰富的一组专用时间序列概率模型。
- 与生产管道和可扩展基础架构的强大集成。
- 通过社区和研究法规支持高级模型体系结构，例如变形金刚和基于注意力的模型。

比较方面

模型专业化
Gluonts专门用于时间序列预测和概率建模，提供专门针对预测和异常检测设计的生态系统，并具有全面的预构建模型。 TensorFlow提供了构建广泛模型的灵活性，包括时间序列预测，但开箱即用的专用预测模型。

概率预测
与TensorFlow的通用通用概率工具(如TensorFlow概率)相比，Gluonts对概率建模和生成预测分布的天然支持更为先进和全面，这需要额外的努力来构建自定义预测模型。

易用性和API
Gluonts提供了高级抽象，例如估计器和预测因子，可封装培训和推理工作流程，以预测，促进快速实验和基准测试。 TensorFlow提供了Keras API和低级概率工具，但用户需要自己构建大多数组件或适应社区模型。

模型的多样性
Gluonts包括几种准备使用的最先进的神经概率预测模型，而TensorFlow主要提供构建块(RNN，CNN，Transformers等)，以及某些没有统一包装的TFT(TFT)等高级模型的社区实现。

可扩展性和自定义
Gluonts和Tensorflow都可以进行深度定制，但是Gluonts量身定制的针对时间序列的模块化设计速度速度模型开发和科学实验，而Tensorflow的一般深度学习框架则与更广泛的AI系统和生产环境集成在一起。

生产和可扩展性
TensorFlow由于其广泛的生态系统(包括张量式服务和与云平台集成)，在可扩展部署，分布式培训和生产准备方面具有显着优势。 Gluonts支持本地执行和AWS Sagemaker集成，但更多地关注于科学实验以及生产使用。

社区和生态系统
TensorFlow在机器学习域中具有更大的用户群和生态系统，包括用于数据管道，部署和监视的丰富工具。 Gluonts对时间序列建模有一个利基市场，但经常在亚马逊和研究社区中使用。

差异摘要
- Gluonts提供了丰富，概率和专业的时间序列建模工具包，并具有预先构建的最新模型，该模型明确设计用于预测和异常检测。
-TensorFlow是一个多功能的深度学习平台，允许用户使用功能强大的工具构建自定义预测模型，但提供更少的专用，即用的时间序列序列预测模型。
- Gluonts在概率的预测中表现出色，并易于使用几种预先建造的模型进行基准测试。
- 张量集在大规模生产中脱颖而出，对各种AI用例的可扩展性以及整合到复杂的ML管道中。