摘要
可靠的时间序列预测不确定性估计在许多领域中至关重要，包括物理学、生物学和制造业。在优步（Uber），概率时间序列预测用于特殊事件期间的出行次数稳健预测、司机激励分配以及数百万指标的实时异常检测。经典的时间序列模型通常与概率公式结合使用，以进行不确定性估计。然而，这些模型难以调参、扩展，并且添加外生变量也较为困难。受到近期长短期记忆网络（Long Short Term Memory, LSTM）复兴的启发，我们提出了一种新的端到端贝叶斯深度模型，该模型不仅提供时间序列预测，还进行不确定性估计。我们在已完成的出行数据上对所提出的解决方案进行了详细的实验，并成功将其应用于优步的大规模时间序列异常检测中。