DeepAR（Deep Autoregressive）是由亚马逊（Amazon）团队于2017年提出的一种基于自回归循环神经网络（RNN）的概率预测模型。它的出现标志着大规模时间序列预测从"为每个序列单独建模"向"全局共享参数建模"的根本性转变，被业界誉为供应链预测领域的"GPT-3时刻"。
以下是关于 DeepAR 的详细介绍：
1. 核心思想：从"单点预测"到"概率分布"
传统的时间序列预测模型（如 ARIMA）往往为每一条时间序列单独建模，且通常只输出一个确定的未来数值（点预测）。而 DeepAR 的核心突破在于：
- 预测概率分布：DeepAR 不直接预测单一的具体数值，而是预测未来时刻的条件概率分布。通过多次采样，它可以生成多条未来路径，从而提供分位数、置信区间等不确定性信息，帮助决策者量化风险。
- 全局模型（Global Model）：DeepAR 不是在单条序列上训练，而是在大量相关的时间序列上联合训练一个共享参数的全局模型。这使得模型能够从具有丰富数据的序列中学习共性（如季节性、趋势），并将这些知识迁移到数据稀疏或刚上架的新产品上。
2. 模型架构与工作原理
DeepAR 采用自回归 RNN 结构（通常使用 LSTM 或 GRU 单元），其核心架构包含输入层、RNN 状态层和分布输出层。模型在每个时间步通过"三只眼睛"来综合判断：
- 自回归输入（刚刚发生了什么）：将上一时刻的真实观测值作为输入，利用需求连续性作为预测锚点。
- 长期记忆（RNN隐藏状态）：通过 LSTM 的记忆机制，将几周或几个月前的历史模式和长期依赖压缩存储在隐藏状态中。
- 情景信息（协变量）：无缝整合分类特征（如商品类别）和时间协变量（如是否促销、节假日、星期几），以捕捉外部因素对时间序列的影响。
在训练阶段 ，模型使用真实的历史值进行递推，并通过最大化真实观测值的对数似然来学习参数；在预测阶段，由于未来真实值未知，模型会从当前预测的分布中采样，并将其作为下一时刻的输入继续递推，最终生成完整的概率预测。
3. 似然函数的灵活选择
DeepAR 允许根据目标数据的统计性质选择合适的概率分布（似然函数），这大大增强了模型在不同数据集上的表现：
- 高斯分布（Gaussian）：适用于连续的实值数据（如电价、气温）。
- 负二项分布（Negative Binomial）：适用于正整数计数数据（如商品销量、点击量），能够很好地处理具有间歇性、突发性或方差较大的数据。
- 此外，还支持学生 t 分布（Student-t）等用于鲁棒建模。
4. 优势与局限性
核心优势：
- 强大的泛化与冷启动能力：通过学习相似序列的模式，即使某些商品缺乏历史数据，也能给出合理的预测。
- 不确定性量化：提供完整的概率预测区间，支持供应链库存优化和金融风险管理等需要评估下行风险的业务。
- 减少人工特征工程：自动学习季节性行为和协变量依赖，预测准确率相比传统先进方法通常可提升约 15%。
主要局限性：
- 长序列记忆瓶颈：作为基于 RNN 的模型，DeepAR 缺乏原生的 Attention 机制，在极长的时间序列上可能会出现记忆丢失，难以捕获超长周期的信息。
- 误差累积：自回归预测在长预测区间内，由于每一步都依赖上一步的输出，容易出现误差累积。
- 算力与数据要求：训练需要较高的计算资源（如 GPU），且对数据量和序列相关性有一定要求，如果序列过少或差异过大，效果可能不稳定。
5. 典型应用场景
DeepAR 广泛适用于需要同时预测大量相关时间序列的场景：
- 零售与电商：海量 SKU 的商品销量预测、库存需求管理。
- 金融市场：股票价格趋势预测、量化风险评估与对冲策略制定。
- 能源与电力：电力现货市场中的日前/实时电价概率预测、电力负荷调度。
- 供应链与物流：交通流量预测、仓储容量规划。
6. 开源与工程实现
DeepAR 的官方实现最初基于 MXNet 框架（集成在 Amazon SageMaker 中），目前社区也有大量基于 PyTorch 的开源复现。此外，在流行的开源时间序列库 GluonTS 中，开发者可以直接通过 DeepAREstimator 快速调用该模型，进行多序列联合训练和概率预测。