Prédiction Profonde et Confiante pour les Séries Temporelles chez Uber

Une estimation fiable de l'incertitude pour la prédiction des séries temporelles est cruciale dans de nombreux domaines, notamment la physique, la biologie et l'industrie manufacturière. Chez Uber, le pronostic probabiliste des séries temporelles est utilisé pour des prédictions robustes du nombre de trajets lors d'événements spéciaux, l'allocation des incitatifs aux conducteurs, ainsi que la détection en temps réel des anomalies sur plusieurs millions de métriques. Les modèles classiques de séries temporelles sont souvent utilisés en conjonction avec une formulation probabiliste pour l'estimation de l'incertitude. Cependant, ces modèles sont difficiles à ajuster, à mettre à l'échelle et à enrichir avec des variables exogènes. Motivés par le récent regain d'intérêt pour les réseaux neuronaux à mémoire à court et long terme (LSTM), nous proposons un nouveau modèle profond bayésien intégré qui fournit des prédictions de séries temporelles accompagnées d'une estimation de l'incertitude. Nous présentons des expériences détaillées de cette solution sur les données de trajets effectués, et nous la mettons avec succès en application pour la détection d'anomalies dans les séries temporelles à grande échelle chez Uber.