Uber时间序列的深度和自信预测
摘要：可靠的时间序列预测不确定性估计在许多领域中都非常关键，包括物理学、生物学和制造业。在Uber，概率时间序列预测用于预测特殊事件期间的乘车次数、驾驶员激励分配以及数百万指标的实时异常检测。传统的时间序列模型通常与概率模型一起使用，用于估计不确定性。然而，这种模型很难进行调整、扩展和添加外生变量。受到长短期记忆网络的最近复兴的推动，我们提出了一种新颖的端到端贝叶斯深度模型，提供时间序列预测以及不确定性估计。我们在完成的乘车数据上对所提出的解决方案进行了详细的实验，并成功地将其应用于Uber的大规模时间序列异常检测。
作者：Lingxue Zhu, Nikolay Laptev
论文ID：1709.01907
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-01-12