GluonTS
Eine Python-Bibliothek für Deep-Learning-basierte probabilistische Zeitreihenprognosen und -modellierung, aufgebaut auf PyTorch.
Erstellen, trainieren und evaluieren Sie Deep-Learning-Prognosemodelle mit Vorhersageintervallen in Python.
GluonTS ist ein Python-Toolkit für probabilistische Zeitreihenprognosen mit PyTorch. Es bietet vorgefertigte neuronale Netzwerkarchitekturen wie DeepAR und Hilfsprogramme zur Auswertung von Prognoseverteilungen. Sie sollten es verwenden, wenn Sie neben Zeitreihenvorhersagen auch Unsicherheitsschätzungen statt Punktschätzungen benötigen.
Was es ist
Das Paket ermöglicht das Laden von Zeitreihendaten über Pandas, das Aufteilen von Datensätzen zur Auswertung und das Trainieren neuronaler Prognosemodelle. Es gibt Vorhersagen als vollständige Wahrscheinlichkeitsverteilungen mit anpassbaren Konfidenzintervallen aus. Zudem lässt es sich mit externen vortrainierten Foundation Models wie Chronos für Zero-Shot-Zeitreihenaufgaben integrieren.
Für wen
Es richtet sich an Data Scientists, Machine Learning Engineers und quantitative Analysten, die komplexe Prognose-Pipelines erstellen. Es ist nicht für Nicht-Programmierer gedacht, die eine grafische Benutzeroberfläche oder einfache Tabellenkalkulationen für einfache lineare Projektionen benötigen.
Wichtige Funktionen
Probabilistische Prognoseverteilungen
Generiert vollständige prädiktive Wahrscheinlichkeitsverteilungen und schattierte Vorhersageintervalle anstelle einzelner Punktprognosen.
Neuronale PyTorch-Estimators
Enthält neuronale Netzwerkmodelle wie DeepAR direkt auf Basis des PyTorch-Frameworks.
Datensatz-Splitting-Hilfsprogramme
Bietet Abstraktionen wie PandasDataset und Testgenerator-Dienstprogramme für die rollierende Zeitreihenevaluation.
Unterstützung für vortrainierte Modelle
Unterstützt Zero-Shot-Prognoseintegration mit vortrainierten Foundation Models wie Chronos.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Bietet native Unterstützung für probabilistische Ausgabeverteilungen und Vorhersageintervalle.
- Enthält vorgefertigte neuronale Prognosealgorithmen wie DeepAR direkt einsatzbereit.
- Integriert sich nahtlos in Pandas DataFrames und Standard-Python-Data-Science-Tools.
- Bietet integrierte Abstraktionen zum Generieren von Testinstanzen und rollierenden Auswertungen.
Schwächen
- Erfordert Python-Programmierkenntnisse und ein Verständnis von Deep-Learning-Konzepten.
- Das Training komplexer neuronaler Zeitreihenmodelle auf großen Datensätzen erfordert GPU-Rechenressourcen.
- Es fehlt eine grafische Benutzeroberfläche für nicht-technische Business-Anwender.
Preise & Lizenz
GluonTS ist unter der Open-Source-Lizenz Apache-2.0 kostenlos nutzbar. Die Hauptkosten entstehen durch die Bereitstellung der CPU- oder GPU-Infrastruktur, die zum Training von Deep-Learning-Modellen mit Ihren Daten erforderlich ist.
Stellen für Deutschsprachige
874 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
Nutze es, oder lass es uns einrichten
FAQ
Welche Python-Versionen unterstützt GluonTS?
GluonTS erfordert Python in den Versionen 3.10 bis 3.14.
Welches Deep-Learning-Framework verwendet GluonTS?
GluonTS basiert primär auf PyTorch.
Bietet GluonTS Punktschätzungen oder Wahrscheinlichkeitsverteilungen?
Es erstellt probabilistische Prognosen, mit denen Sie Vorhersageintervalle wie 50%- und 90%-Grenzen berechnen können.
