Eine zuverlässige Unsicherheitsschätzung für Zeitreihenprognosen ist in vielen Bereichen, einschließlich Physik, Biologie und Fertigung, von entscheidender Bedeutung. Bei Uber wird probabilistische Zeitreihenprognose zur robusten Vorhersage der Anzahl von Fahrten während besonderer Ereignisse, zur Zuweisung von Fahreranreizungen sowie zur Echtzeit-Anomalieerkennung in Millionen von Metriken eingesetzt. Klassische Zeitreihenmodelle werden oft in Verbindung mit einer probabilistischen Formulierung zur Unsicherheitsschätzung verwendet. Allerdings sind solche Modelle schwierig einzustellen, zu skalieren und mit exogenen Variablen zu erweitern. Angeregt durch die jüngste Wiederbelebung von Long Short Term Memory-Netzen (LSTM), schlagen wir ein neues bayesianisches Deep-Learning-Modell vor, das eine Zeitreihenprognose zusammen mit der Unsicherheitsschätzung bereitstellt. Wir führen detaillierte Experimente mit dem vorgeschlagenen Ansatz anhand von abgeschlossenen Fahrten-Daten durch und wenden es erfolgreich auf die großmaßstäbliche Anomalieerkennung in Zeitreihen bei Uber an.