如何简便训练AWS DeepAR模型？无需S3存储文件的实现方法问询

目前有两种完全本地运行、无需上传数据到S3、代码量极低的训练方案可选，都适配你已整理好的数据集结构：

方案1：GluonTS官方原生实现（推荐） #

GluonTS是AWS官方开源的时间序列建模工具，内置原生DeepAR实现，你的现有数据结构和其要求的输入格式完全匹配，无需额外转换：

• 安装依赖：
  可选MXNet或PyTorch后端，二选一即可：

  # MXNet后端
  pip install gluonts mxnet
  # PyTorch后端
  pip install gluonts torch
  

• 完整训练代码示例：

  # MXNet后端导入，用PyTorch的话替换为下一行注释内容
  from gluonts.dataset.common import ListDataset
  from gluonts.model.deepar import DeepAREstimator
  from gluonts.mx import Trainer
  # PyTorch后端导入
  # from gluonts.dataset.common import ListDataset
  # from gluonts.torch import DeepAREstimator, Trainer
  
  # 直接使用你已整理好的字典列表作为输入
  # 替换freq为你的数据实际时间频率：日度用"1D"、小时用"1H"、周度用"1W"等
  train_dataset = ListDataset(
      data_iter=你的字典列表变量名,
      freq="1D"
  )
  
  # 定义DeepAR模型，参数按需调整
  estimator = DeepAREstimator(
      freq="1D",
      prediction_length=3, # 替换为你需要预测的未来时间步长度
      context_length=9, # 一般设置为预测长度的2-3倍即可
      use_feat_static_cat=True, # 用到cat分类协变量则开启
      cardinality=[10,5,20], # 每个分类协变量的取值总数，按需修改
      use_feat_dynamic_real=True, # 用到dynamic_feat动态协变量则开启
      trainer=Trainer(epochs=15, batch_size=32)
  )
  
  # 直接训练得到预测器
  predictor = estimator.train(training_data=train_dataset)
  
  # 后续预测直接调用predict方法即可
  # pred_result = predictor.predict(测试数据集)
  

方案2：PyCaret低代码实现 #

如果希望进一步简化调参流程，可使用封装度更高的PyCaret时间序列模块：

• 安装依赖：

  pip install pycaret[timeseries]
  

• 核心代码仅3行，仅需提前将你的字典列表转换为PyCaret要求的长格式时间序列DataFrame即可：

  # 初始化配置，fh为预测长度，替换为你的实际值
  s = setup(data=转换后的df, fh=3, session_id=123)
  # 直接创建并训练DeepAR模型
  deepar_model = create_model('deepar')
  # 自动调参+预测
  tuned_model = tune_model(deepar_model)
  pred_result = predict_model(tuned_model)
  

两种方案均全程运行在本地环境，不需要依赖任何云服务，也不需要上传数据到外部存储。

内容的提问来源于stack exchange，提问作者Ravaal