deepar,传统概率模型如何和深度学习结合的?

最新推荐文章于 2025-06-18 15:33:45 发布
原创 最新推荐文章于 2025-06-18 15:33:45 发布 · 382 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能

文章探讨了深度学习与统计方法如条件随机场和Deepar的融合，Deepar通过预测数据分布参数而非点值，构建基于似然函数的损失函数，将其融入seq2seq模型，提高预测的实用性和置信区间考虑。

由于是在不会打公式,所以只能白话说下自己的认识.
深度学习和统计领域一些知识的结合,比如条件随机场crf,再比如这个deepar,都是在损失函数上做文章.

deepar预测的不是数据本身,而是数据分布的参数.比如模型预测出价格时间序列的均值和方差,假设分布是正态分布,那么损失函数怎么构造了? deepar预测的不是一个时间点,比如预测7天,那么每天都会预测出一个均值和方差, 这一共就是7组模型参数,我们需要:在每组参数条件下,给定实际价格出现概率最大,也就是给定7组参数,7个正态分布连乘概率最大(似然函数). 那么损失函数就是对这个似然函数取负log,损失函数最小就好.

把这个损失函数放到seq2seq的模型中,就是deepar的主干框架思想脉络.,确实结合的很巧妙. 并没有太多新东西,但是可以让seq2seq的预测可以和置信区间这些统计概念结合,从而实用度更高,而不是简单算命.

wangmarkqi
关注
[论文解读]Active Learning for Deep Object Detection via Probabilistic Modeling
年糕的博客
09-24 2285
Active Learning for Deep Object Detection via Probabilistic Modeling 文章目录Active Learning for Deep Object Detection via Probabilistic Modeling简介摘要初步相关工作主动学习在目标检测中的应用基于概率建模的目标检测提高参数效率计分函数实验基于概率建模的目标检测主动学习评价可扩展性和数据集可传输性结论结论 简介 论文标题 Active Learning for Deep O
基于深度概率学习的多级库存优化体系构建与实践
二进制的梦想
01-30 1216
库存优化不是单纯的算法问题，而是数据、算法、业务规则的三重耦合。只有当技术模型能够内化业务约束（如供应商最小起订量、仓储物理限制）时，才能实现从“预测准确”到“决策最优”的跨越。本文代码已开源在GitHub（虚构链接），读者可通过调整超参数适配具体场景。
时间序列预测之DeepAR
小七爱干饭的博客
01-03 4004
早期的时间序列预测主要模型是诸如ARIMA这样的单序列线性模型。这种模型对每个序列分别进行拟合。在ARIMA的基础上，又提出了引入非线性、引入外部特征等的优化。然而，ARIMA类模型在处理大规模时间序列时效率较低，并且由于每个序列分别独立拟合，无法共享不同序列存在的相似规律。深度学习模型在NLP、CV等领域取得了成功应用后，也被逐渐引入到解决时间序列预测问题中，常见的比如LSTM、CNN、ConvLSTM等。传统预测算法解决不了两个问题：1、联合多重时间序列。
概率自回归预测——DeepAR模型浅析
迈微AI研习社 · 号主
11-07 6613
给定过去一段时间的数据，如何对未来的数据进行预测？这类时间序列预测问题是很多领域都关心的问题。在机器学习中，目前主流...
时间序列预测 —— DeepAR 模型
weixin_39753819的博客
02-05 5380
DeepAR 模型是由亚马逊提出的一种概率生成模型，旨在进行时间序列预测。与传统的基于深度学习的序列模型（如 LSTM 和 GRU）不同，DeepAR 考虑了时间序列的复杂模式。它采用了一种门控循环单元（Gated Recurrent Unit, GRU）的，结合了蒙特卡洛的概率生成方法，使其在处理多维时间序列数据时表现优异。本文介绍了时间序列预测中的 DeepAR 模型，包括其理论基础、优缺点以及与其他模型的区别。
MATLAB实现基于DeepAR-Transformer 深度自回归模型（DeepAR）结合 Transformer 编码器进行多变量时间序列预测的详细项目实例（含完整的程序，GUI设计和代码详解）
最新发布
08-04
项目旨在提升多变量时间序列预测的准确性，通过融合DeepAR模型的概率预测和Transformer编码器的自注意力机制，解决了传统模型难以处理的长期依赖和复杂变量间交互的问题。文档涵盖了项目背景、目标与意义、模型架构...
DeepAR概率预测模型的Pytorch实现与应用
实验结果显示，DeepAR在多个真实世界数据集上相比传统方法和其他深度学习模型（如Seq2Seq、TCN）平均提升了约15%的预测精度，尤其在处理稀疏、波动剧烈或具有明显季节性的时间序列时优势更为显著。 综上所述，...
精选资源
时间序列预测与深度学习：文献综述与应用实例.pdf
08-18
深度学习模型如深度状态空间模型（DSSM）、深度自回归模型（DeepAR）和Transformer模型，通过融合深度学习的特性，改进了传统的局部建模方法，提高了预测的准确性。 在文献综述与应用实例中，李文等学者介绍了近年...
时序预测中的深度学习算法解析与应用
yyyyyybw的博客
05-27 810
深度学习为时序预测提供了从 “特征工程” 到 “端到端建模” 的范式变革，不同模型在计算效率、预测精度、可解释性上各有侧重。实际应用中，需结合数据特性（如长度、周期性、变量维度）与业务目标，通过实验对比选择最优方案，并借助自动化调优工具（如 Hyperopt）与分布式训练框架（如 Horovod）提升开发效率。未来，随着注意力机制的持续创新与多模态技术的融合，深度学习在时序预测领域将展现更广阔的应用前景。
GP-VAE: Deep Probabilistic Time Series Imputation 笔记
YYY7的博客
05-26 1440
GP-VAE的论文笔记
DeepAR多重多元多步时间序列预测
yanglee0
08-14 3219
时间序列、多重多元多步时间序列预测
【阅读笔记】概率预测之DeepAR(含Pytorch代码实现)
热门推荐
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
05-23 1万+
本文作为自己阅读论文后的总结和思考，不涉及论文翻译和模型解读，适合大家阅读完论文后交流想法，文末含DeepAR的Pytorch实现。
​【深度学习】经典时间序列模型 DeepAR 预测股票趋势
fengdu78的博客
05-21 1525
DeepAR 预测算法在时间序列预测领域，根据历史数据预测未来值的能力至关重要。因此，先进的机器学习算法已变得不可或缺。DeepAR 是一种功能强大的算法，它在处理复杂的时间模式和生成准确预测方面备受关注。特别适用于需要同时预测多个相关时间序列的场景，使其成为金融、电子商务和供应链管理等各个领域的重要工具。本文将讨论 DeepAR 预测算法，并将其用于时间序列预测。什么是 DeepAR？亚马逊公司...
Deep Learning基础--各个损失函数的总结与比较
wangcha12o的博客
09-19 455
损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项，通常可以表示成如下式子： θ∗=argminθ1N∑i=1NL(yi,f(xi;θ))+λΦ(θ...
DeepAR：一种用于时间序列预测的深度学习模型
TIM的博客
02-10 2240
DeepAR是一种基于递归神经网络（RNN）的时间序列预测模型，由亚马逊在2017年提出。它特别适用于处理多变量时间序列数据，并能够生成概率预测。DeepAR通过联合训练多个相关时间序列来提高预测性能，从而在实际应用中表现出色。DeepAR是一种强大的时间序列预测模型，特别适用于多变量时间序列数据。通过联合建模和生成概率预测，DeepAR能够在多种应用场景中提供高精度的预测结果。
（一）DeepAR算法介绍
qq_34184505的博客
02-07 2151
时间t上的观测值的分布只能是高斯分布无法高效处理大量相关时间序列下面开始介绍一种新的算法：亚马逊于2017年发表论文。DeepAR（Probabilistic Forecasting with Autoregressive Recurrent），这是一种将深度学习和概率模型结合起来的自回归模型。主要适用于大量相关时间序列的预测。举个例子：亚马逊作为世界上最大的电商平台，上面有大量的商品。每个商品的销量都是一条时间序列。
DeepAR笔记
cpyy103的博客
12-12 4346
DeepAR-概率预测模型 介绍 DeepAR是Amazon在2017年提出的基于深度学习的时间序列预测方法，目前在Amazon机器学习平台Amazon SageMaker和其开源的时序预测工具库GluonTS里有集成 RNN 一般常见的RNN模型，如下图，当输入xt−1x_{t-1}xt−1​时，通过隐藏层和状态的计算后得到ot−1o_{t-1}ot−1​，然后再输入xtx_txt​计算后得到oto_tot​，其中，ot−1o_{t-1}ot−1​和oto_{t}ot​为具体“预测”的值 相当于输入一个序
【对比】DeepAR 和 N-Beats
TIM的博客
06-18 744
DeepAR（亚马逊提出）和N-BEATS（Facebook提出）是两种主流时间序列预测模型。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值