Uber 的时间序列深度置信预测
机器学习
2018-01-12 v1
摘要
时间序列预测的可靠不确定性估计在物理学、生物学和制造业等诸多领域至关重要。在 Uber，概率时间序列预测被用于特殊事件期间出行次数的稳健预测、司机激励分配以及数百万指标上的实时异常检测。经典时间序列模型常与用于不确定性估计的概率公式结合使用。然而，此类模型难以调优、扩展以及添加外生变量。受长短期记忆网络近期复兴的启发，我们提出了一种新颖的端到端贝叶斯深度模型，该模型可提供时间序列预测及不确定性估计。我们在已完成行程数据上对 proposed 解决方案进行了详细实验，并成功将其应用于 Uber 的大规模时间序列异常检测。
引用
@article{arxiv.1709.01907,
title = {Deep and Confident Prediction for Time Series at Uber},
author = {Lingxue Zhu and Nikolay Laptev},
journal= {arXiv preprint arXiv:1709.01907},
year = {2018}
}
备注
To appear in DSBDA-2017 @ ICDM'17