時間系列予測の信頼性のある不確実性推定は、物理学、生物学、製造業など多くの分野で重要です。ウーバーでは、特別なイベント中の乗車数の堅牢な予測、ドライバーインセンティブの配分、そして数百万の指標にわたるリアルタイムの異常検出のために、確率的な時間系列予測が使用されています。古典的な時間系列モデルは、不確実性推定のためにしばしば確率的な定式化と組み合わせて使用されます。しかし、これらのモデルは調整が難しく、スケーラビリティに欠け、外生変数を追加することも容易ではありません。最近の長期短期記憶（LSTM）ネットワークの再興に触発され、我々は時間系列予測と不確実性推定を提供する新しいエンドツーエンドのベイジアン深層学習モデルを提案します。我々は提案されたソリューションを完了した乗車データに対して詳細な実験を行い、ウーバーでの大規模な時間系列異常検出に成功裏に適用しました。