搜索研究与资料 · 工具介绍
GluonTS
面向概率时间序列建模的 Python 工具包，可使用深度学习模型训练历史序列并生成预测分布。
GluonTS 能做什么
面向概率时间序列建模的 Python 工具包，可使用深度学习模型训练历史序列并生成预测分布。
- 模型训练与部署
如何使用 GluonTS
训练 DeepAR 并检查滚动预测
准备输入
- 有时间索引和目标列的历史表格
- 预测长度与时间频率
- 训练和测试窗口划分
操作步骤
- 将表格与目标列转换为 PandasDataset，按时间拆分训练数据和测试窗口。
- 创建 DeepAREstimator，设置预测长度、频率与训练轮数，再使用训练数据生成预测器。
- 对测试输入调用 predict，将预测与真实历史值绘图对照，检查不同窗口上的表现。
预期交付物
- 测试窗口的概率预测
- 预测与历史值对照图
训练与预测成本取决于模型和数据规模；应保留时间顺序进行验证，样例训练轮数和预测窗口不能直接用于所有业务。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从搜索研究与资料角度评估GluonTS
把搜索研究与资料需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
来源能否回看
需要能打开的原始页面或文档位置，不能只有一段无出处的摘要。
范围是否与问题一致
核对日期、地区、对象与定义，不把相似术语当成同一事实。
是否保留反例
把冲突资料和未解决问题放进结论，避免只找支持原想法的证据。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
