综合工具选择 · 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。
从综合工具选择角度评估GluonTS
把综合工具选择需要的条件列清楚，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。
先看交付
你需要的是可编辑文档、图片、代码，还是有出处的资料表？
再看输入
资料能否上传、格式能否读取、敏感内容能否交给所选服务？
最后试用
用小样检查实际结果，再确认费用、导出和后续修改条件。
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。
