很少有文章是这个AR是啥意思，笔者推测是自相关的意思，毕竟RNN是自回归神经网络。
笔者比较懒，一些符号将就着看吧。

1.原理

• 符号表示
  符号表示十分简洁：
  Zi,t表示序列i再第t个时间点的数据，Zi,t0就是要预测数据的开始区间，要预测的数据集合定义为Zi:t0:T。这个是LSTM算出来的。
  Xi,1:T表示再整个预测期间内都知道的协变量，具体就是你输入的原始数据。
  DeepAR求的是概率分布：P(Zi:t0:T|Zi:t0-1，Xi,1:T)

• 模型结构
  模型的图像化显示如下：

  
  DeepAR模型结构
  

  左右都是LSTM结构，大家想象一下LSTM的原理，左右用的数据不一样，一个用的是训练数据，一个用的是预测数据。

• 下边来说一些不一样的地方
  DeepAR与传统LSTM最不一样的地方，就是加这个似然函数，需要取估计参数。一般有两种似然函数形式：
  1）真实数据，选择高斯分布，就是正态分布：

  
  高斯分布计算方式
  

  2）正技术数据，我也不知道是啥，选择负二项分布，看原文就知道了。
  3）当然其他似然函数也可以用过里啊。

• 训练

  
  参数优化形式
  

  以上就是deepar的基本原理，本质就是lstm+softplus，具体怎么输出的还在研究，通过研究亚马逊开源的包吧。不过看别人写的文章大概率是那个softplus中的u就是均值。

2.模仿tensorflow实现

这个参考自“虚胖一场”的https://www.jianshu.com/p/e9533f5799f1，特此鸣谢。
用这个是为了学学tensorflow2.0。
首先更新一下tensorflow

#卸载
pip install --no-cache-dir tensorflow==x.xx
#我安装2.0
pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
#遇到问题问万能的百度
#然后重新打开你的编辑器导入tensorflow
tensorflow.__version__

接下来，说一下导入包的作用：

• tensorflow_probability
  这个包是概率编程工具，如果对概率相关的计算有诉求，可以去看一下，他的官网介绍：tensorflow_probability
• tensorflow2.0自己编写类
  和torch很像了，显式的继承自tf.keras.models.Model，然后要在初始化函数定义各个层，其中需要初始化：super().init()，然后再定义一下前向传播，这个自己定义的层基本就好了。
• tfp.distributions.Normal()
  这个定义了一个正态分布，可以根据loc和scale参数生成各种正态分布函数。
• tf.GradientTape()
  tensorflow2.0的新特性，只要计算梯度一般都用这个函数。

3.gluonts实现

有了现成的包，一般不用去写了，直接导包好了。
首先来安装：pip install太慢了，用国内的镜像:
pip install gluonts -i https://pypi.tuna.tsinghua.edu.cn/simple
安装mxnet
pip install -i https://pypi.doubanio.com/simple/ mxnet-cu100
接下来就该实现了：

from gluonts.model import deepar
from gluonts.dataset import common
from gluonts.dataset.util import to_pandas
from gluonts.model.predictor import Predictor
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('/Users/elliot/Desktop/11.csv',header=0,sep=',')
df['timestamp'] = pd.to_datetime(df['timestamp'])
df.set_index(['timestamp'],inplace=True)
data = common.ListDataset([{'start': df.index[0],
                           'target': df.value[:"2015-04-23 00:00:00"]}], freq='H')#这个数据格式是固定的
estimator = deepar.DeepAREstimator(freq='H', prediction_length=24)
predictor = estimator.train(training_data=data)
for train_entry, predict_result in zip(data, predictor.predict(data)):
    to_pandas(train_entry)[-60:].plot(linewidth=2)
    predict_result.plot(color='g', prediction_intervals=[50.0, 90.0])
plt.grid(which='both')
plt.show()
##输出预测结果
prediction = next(predictor.predict(data))
print(prediction.mean)
prediction.plot(output_file='graph.png')