核心要点
全局模型：在成千上万条相关序列上联合训练、共享一套参数，而非每条单独建模。
概率输出：预测的是分布（高斯/负二项的参数或分位数），可给出不确定区间。
冷启动友好：新序列借助协变量和群体规律预测，缓解历史样本少的问题。
自动特征：RNN/LSTM 自动学滞后、季节与协变量交互，省去大量手工特征。
标准回答
核心思想
DeepAR 是一个自回归循环网络（RNN/LSTM）。它不为单条序列拟合一个模型，而是在大量相关序列上联合训练、共享参数，因此能从「群体」中学习跨序列的共性规律。
每步把上一时刻真实值（或采样值）、时间协变量与序列静态特征喂入 RNN，输出一个似然分布（如高斯、负二项分布）的参数；训练时最大化观测的对数似然，预测时通过蒙特卡洛采样多条轨迹得到分位数区间。
相比传统方法的优势
- 跨序列泛化与冷启动：ARIMA/Prophet 逐条序列独立拟合，新序列或短历史序列难处理；DeepAR 借助共享参数和协变量可对冷启动序列给出合理预测。
- 概率预测：直接输出预测分布而非点估计，便于库存安全水位等风险决策。
- 自动建模复杂模式：自动捕捉非线性、长依赖与协变量交互。
常见误区
⚠️ 常见踩坑
把 DeepAR 用在单条或少量序列上——它的优势来自跨序列共享，序列太少时往往打不过 ARIMA/Prophet。
追问
追问 1：DeepAR 为什么输出分布而不是单点？
它在每步对似然分布的参数建模并最大化对数似然，预测时蒙特卡洛采样得到完整预测分布。这样能输出分位数/置信区间，支撑需要不确定性的决策（如按 P90 设安全库存），比点预测信息更丰富。
追问 2：什么场景应优先用 DeepAR 而非 ARIMA？
当有大量结构相似的相关序列（如成千上万 SKU、门店、用户），且存在丰富协变量、需要概率预测或冷启动支持时优先 DeepAR。若只有单条/少量序列、追求可解释和低成本，则 ARIMA/Prophet 更合适。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。