大家一定知道，所有的预测永远不可能把误差控制到0，所以当已知这样的预测结果，如何尽可能的提升可用度呢？咱们举个例子销量预测这是一个十分简单的问题，业务通过预测接来下一段时间内的销量变化，从而尽可能小的损失维持一个库存水平。先描述一下咱们面临的问题。日销量 给定参数μ\muμ, σ\sigmaσ, 商品的日销量独立且服从正态分布N(μ,σ2)N(\mu, \sigma^2)N(μ,σ2)仓库容量 W

今天咱们就来看看第一个时序模型，可能有些同学都没有听说过这个模型，这个模型还是相对复杂的，接下来咱们来看看这个模型。 对于一般的时序任务，大家一般会想到NLP中的一些序列模型，LSTM、GRU等模型，这类方法都是给出一个确定的预测值，接下来咱们要介绍这个模型有一点不一样，DeepAR模型并不是直接简单地输出一个确定的预测值，而是输出预测值的一个概率分布，这样做其实有点好处，咱们给出的预测值其实很难

时间序列预测可以称得上是一个及其普遍的一个算法问题，解决的方法也比较成熟，你可能第一时间想到的就是AR模型，以及各种自回归模型。然后xgboost似乎也能做时序问题，只是将原有的问题当成回归问题即可，某种意义上可解释性也能够得到一定的满足。再然后就是GRU、LSTM这类循环神经网络，借鉴自NLP中使用深度模型来解决时序预测问题。除了以上的这类方法，你还能知道那些方法吗？接下来的这个系列一定能让你受