编程智能体与代码 · 工具介绍
GluonTS
面向概率时间序列建模的 Python 工具包，可使用深度学习模型训练历史序列并生成预测分布。
GluonTS 能做什么
面向概率时间序列建模的 Python 工具包，可使用深度学习模型训练历史序列并生成预测分布。
- 模型训练与部署
如何使用 GluonTS
训练 DeepAR 并检查滚动预测
准备输入
- 有时间索引和目标列的历史表格
- 预测长度与时间频率
- 训练和测试窗口划分
操作步骤
- 将表格与目标列转换为 PandasDataset，按时间拆分训练数据和测试窗口。
- 创建 DeepAREstimator，设置预测长度、频率与训练轮数，再使用训练数据生成预测器。
- 对测试输入调用 predict，将预测与真实历史值绘图对照，检查不同窗口上的表现。
预期交付物
- 测试窗口的概率预测
- 预测与历史值对照图
训练与预测成本取决于模型和数据规模；应保留时间顺序进行验证，样例训练轮数和预测窗口不能直接用于所有业务。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从编程智能体与代码角度评估GluonTS
把编程智能体与代码需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
能否读懂上下文
确认工具能够读取所需目录，且不会引入不必要的资料。
改动是否可审查
优先能展示差异、保留原文件和逐步验证的工作方式。
测试能否说明问题
测试应覆盖用户可见行为，不只证明代码能运行。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
