时间序列问题在许多领域都很常见，例如，预测天气和交通模式，理解经济趋势等。这些问题涉及分析按时间顺序排列的数据，并尝试预测未来的数据点。尽管传统贝叶斯方法在时间序列建模中被广泛使用，但它们通常需要领域专家仔细选择适当的模型组件，这一过程可能既繁琐又需要丰富的专业知识。此外，这些方法在计算上可能非常昂贵。作为一种替代方法，神经网络在处理时间序列数据时虽然强大，但它们缺乏可解释性，使得难以理解模型是如何生成预测的。此外，神经网络通常无法产生可靠的置信区间，这是评估预测准确性的一个重要指标。
Google研究团队开发出一款针对时间序列数据预测的工具：AutoBNN，它基于JAX库构建并以开源形式提供。AutoBNN 可自动发现可解释的时间序列预测模型，提供高质量的不确定性估计，并可有效扩展以用于大型数据集。AutoBNN将贝叶斯统计方法与神经网络技术的优点相结合，具有以下主要特点：
