DeepAR论文笔记

1. what is motivation？研究动机

在近年来，时间序列预测出现新局面：海量（上千甚至是上百万）相关时间序列的预测。例如，预测城市中每户居民的用电量，大型零售商所有商品的销量等。在上述所有场景中，可以使用那些过去相似、或相关的时间序列来对单个时间序列进行建模预测。 这样做的优势是：可以拟合复杂模型而不产生过拟合，免去传统机器学习中所必须的大量人工特征制作的过程。

2. What is the problem the paper wants to solve？论文想要解决的问题是什么？

海量（上千甚至是上百万）相关时间序列的预测。具体的问题有：

• 海量时间序列的数量级不同，而且数量级的分布严重偏斜
  • 很难按照数量级的不同分组训练模型，因为无法保证这样分组情况下，组内的序列具有相同的偏度。
  • 标准化、批量归一化和正则化的手段都将失效

3. What is their approach?论文提出的方法？

数学语言描述：
在第$t$时刻，对于给定的第$i$个时间序列的值记为$z_{i,t}$， 我们的目标是建立如下条件概率分布模型：
$$P({\mathbf{z}}_{i,t_0:T}|{\mathbf{z}}_{i,1:t_0-1},{\mathbf{x}}_{i,1:T})$$

其中:

• ${\mathbf{z}}_{i,t_0:T}=[z_{i,t_0},z_{i,t_0+1},..,z_{i,T}]$ 表示未来要预测的时间序列。而$[t_0,T]$表示模型的预测范围。
• z i , 1 ： t 0 −