التقدير الموثوق للشك في توقعات السلاسل الزمنية أمر حاسم في العديد من المجالات، بما في ذلك الفيزياء والبيولوجيا والتصنيع. في أوبر (Uber)، يتم استخدام التوقع الاحتمالي للسلاسل الزمنية لتحقيق توقعات قوية لعدد الرحلات خلال الأحداث الخاصة، وتوزيع الحوافز على السائقين، وكشف الشذوذ الفوري عبر ملايين المؤشرات. غالبًا ما يتم استخدام النماذج الكلاسيكية للسلاسل الزمنية مع صياغة احتمالية للتقدير الشكي. ومع ذلك، فإن مثل هذه النماذج تكون صعبة التعديل والتوسع وإضافة المتغيرات الخارجية إليها. مستوحىً من الازدهار الأخير لشبكات الذاكرة طويلة المدى قصيرة المدى (Long Short Term Memory - LSTM)، نقترح نموذجًا عميقًا بيزانيًا جديدًا يوفر توقعات للسلاسل الزمنية مع تقدير للشك. نقدم تجارب مفصلة للمحلول المقترح باستخدام بيانات الرحلات المنجزة، ونطبقه بنجاح على كشف الشذوذ في السلاسل الزمنية على نطاق واسع في أوبر (Uber).