N-BEATS

概述

N-BEATS（Neural Basis Expansion Analysis for Interpretable Time Series Forecasting）由 Boris Oreshkin 等（Yoshua Bengio 团队）于 2019 年提出，用纯全连接网络在 M4 竞赛中击败了所有统计方法，证明深度学习可独立称霸时间序列预测。

关键内容

1. 历史背景：2018 年 M4 竞赛冠军 ES-RNN 是指数平滑+RNN 的混合方法，纯深度学习方法甚至不如简单统计基线。学术界流传"时间序列预测天然属于统计方法"的观点。

2. 核心创新：抛弃 RNN/LSTM/CNN/Transformer 等所有花哨结构，回归最朴素的全连接层。通过堆叠多层感知机 + 双重残差连接（前向残差 + 后向残差），实现基函数展开。

3. 双重分支：趋势分支（拟合多项式基函数）+ 季节分支（拟合傅里叶基函数），两种分支的预测结果相加得到最终预测。这种设计既保证预测精度，又提供可解释性。

4. 影响：在 M4 竞赛数据集上纯深度学习方法首次超越所有统计方法，证明"结构越简单，有时反而越强大"。

来源

• 14-nbeats-2019-neural-basis-expansion — N-BEATS：当"最笨"的神经网络击败了所有统计学大师

相关

• LSTM（长短期记忆网络） — compares_to
• Informer — compares_to
• 指数平滑 — compares_to