AutoGluon 时间序列常见问题¶

AutoGluon 可以用于哪些预测任务？¶

AutoGluon 可以为单个或多个**单变量**时间序列生成**概率性**多步超前预测。例如，您可以使用 AutoGluon 预测未来一个月内多种产品的每日销售量。请注意，此设置与多元时间序列预测不同（有关多元和多个单变量时间序列之间的区别，请参阅此讨论）。

AutoGluon 还支持附加信息，例如与时间无关的静态特征（例如，商店位置）和与时间相关的协变量（例如，产品每天的价格）。更多详情请参阅深入教程。

目前，AutoGluon 不支持分层预测和预测可解释性等功能。

如何获得最准确的预测？¶

为了最大化预测准确性，在调用 fit() 时，将 presets="best_quality" 设置为 `"best_quality"` 并提供较高的 time_limit。

通常，通过在调用 predictor.fit() 时将 num_val_windows 增加到 3-5，可以进一步提高预测准确性，但这需要更长的训练时间。在使用多个验证窗口时，为了加快训练速度，您可以增加传递给 predictor.fit() 的参数 refit_every_n_windows。

如何选择评估指标？¶

请参阅评估指标。

传递给 TimeSeriesPredictor 的数据是否有任何限制？¶

请参阅深入教程中关于“TimeSeriesPredictor 需要什么数据格式？”的部分。

我可以使用 GPU 进行模型训练吗？¶

是的！autogluon.timeseries 使用的所有深度学习模型都支持 GPU 训练。如果 (1) 您的机器有 GPU 并且 (2) 您安装了支持 CUDA 的 PyTorch 版本，模型将自动在 GPU 上进行训练。目前尚不支持多 GPU 训练。

哪种机器最适合运行 AutoGluon 时间序列？¶

AutoGluon 可以在包括您笔记本电脑在内的任何机器上运行。拥有多个 CPU 核心可以加快大多数预测模型的训练速度，而深度学习模型则额外受益于 GPU。在使用 AWS 时，我们建议使用具有单个 GPU 和至少 16 个 CPU 核心的 G4 或 G5 实例，以便在大数据集上实现最快的训练。

没有 GPU 但拥有大量 CPU 核心的机器也非常适合训练 TimeSeriesPredictor。在 AWS 上纯 CPU 实例中，我们推荐 M6 实例，其中 m6i.24xlarge 机器应该能够处理大多数数据集。

此处未解决的问题¶

首先搜索您的问题是否在教程、文档或Github issues（搜索已关闭和未关闭的问题）中已得到解答。如果不在其中，请开启新的 Github Issue 并清晰地说明您的问题，阐明其与模块的关系。

如果您遇到了 bug，请包含：您的代码（最好将 verbosity 设置为 4，以便打印更多详细信息）、代码执行期间打印的输出以及关于您的操作系统、Python 版本和已安装软件包的信息（pip freeze 的输出）。许多用户问题源于数据格式不正确，因此请尽可能清晰地描述您的数据。