GluonTS: Probabilistic Time Series Models in Python
Amazon Web Services(亚马逊云科技)
Alexander Alexandrov, Konstantinos Benidis, Michael Bohlke-Schneider, Valentin Flunkert, Jan Gasthaus, Tim Januschowski, Danielle C. Maddix, Syama Rangapuram, D… 展开作者
Alexander Alexandrov, Konstantinos Benidis, Michael Bohlke-Schneider, Valentin Flunkert, Jan Gasthaus, Tim Januschowski, Danielle C. Maddix, Syama Rangapuram, David Salinas, Jasper Schulz, Lorenzo Stella, Ali Caner Türkmen, Yuyang Wang
我们介绍Gluon Time Series(GluonTS,可在https://gluon-ts.mxnet.io上获得),这是一个基于深度学习的时间序列建模库。GluonTS简化了用于预测或异常检测等常见任务的时间序列模型的开发和实验。它提供了科学家快速构建新模型、有效运行和分析实验以及评估模型准确性所需的所有必要组件和工具。
英文摘要:
We introduce Gluon Time Series (GluonTS, available at https://gluon-ts.mxnet.io), a library for deep-learning-based time series modeling. GluonTS simplifies the development of and experimentation with time series models for common tasks such as forecasting or anomaly detection. It provides all necessary components and tools that scientists need for quickly building new models, for efficiently running and analyzing experiments and for evaluating model accuracy.
Fixing the Pitfalls of Probabilistic Time-Series Forecasting Evaluation by Kernel Quadrature
Lattice Lab, Toyota Motor Corporation / Machine Learning Research Group, University of Oxford(丰田公司 lattice 实验室 / 机器学习研究组,牛津大学);The University of Osaka / Lattice Lab, Toyota Motor Corporation / RIKEN AIP(大阪大学 / 丰田公司 lattice 实验室 / RIKEN AIP);Machine Learning Research Group, University of Oxford(机器学习研究组,牛津大学)
ProSper -- A Python Library for Probabilistic Sparse Coding with Non-Standard Priors and Superpositions
Sorbonne Université(索邦大学);INSERM(法国国家健康与医学研究院);CNRS(法国国家科学研究中心);Institut de la Vision(视觉研究所);FIAS(法兰克福高等研究院);Goethe-Universität Frankfurt am Main(法兰克福大学);Zalando Research(Zalando研究院);University of Sheffield(谢菲尔德大学);d-fine GmbH(d-fine有限公司);C. v. Ossietzky Universität Oldenburg(奥尔登堡大学)
SPFlow: An Easy and Extensible Library for Deep Probabilistic Learning using Sum-Product Networks
TU Darmstadt(达姆施塔特工业大学);Max-Planck-Institute(马克斯-普朗克研究所);University of Cambridge(剑桥大学);University of Waterloo(滑铁卢大学);University of Bari “Aldo Moro”(巴里大学“阿尔多·莫罗”)
CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection Risk Estimation Based on Contact Data
Zalando(扎兰多);Amazon(亚马逊)
我们提出了CRISP(COVID-19风险评分预测),这是一种基于SEIR模型的COVID-19感染在人群中传播的概率图模型,其中我们假设可以访问(1)跨时间跨各种渠道(例如,蓝牙接触痕迹),以及(2)感染、暴露和免疫测试在给定时间的测试结果。我们的微观模型跟踪每个人在每个时间点的感染状态,从易感,暴露,传染到康复。我们开发了Monte Carlo EM和消息传递算法来推断接触通道特定的感染传播概率。我们的蒙特卡罗算法使用吉布斯抽样来抽取每个人在整个分析时间段内潜伏感染状态的样本,给定所有接触者的潜伏感染状态和测试结果数据。模拟数据的实验结果表明,我们的CRISP模型可以参数化的再生因子$R_0$,并表现出人口水平的传染性和恢复时间系列类似的经典SEIR模型。然而,由于个人接触数据,该模型允许对广泛的COVID-19缓解和抑制政策措施进行精细控制和推断。此外,区块吉布斯抽样算法能够支持测试跟踪隔离方法中的有效测试,以遏制COVID-19感染传播。据我们所知,这是第一个基于个人层面接触数据对COVID-19感染传播进行有效推断的模型;大多数流行病模型都是宏观层面的模型,对整个人群进行推理。在https://github.com/zalandoresearch/CRISP上可以用Python和C++实现CRISP。