N-BEATS：Neural Basis Expansion Analysis for Interpretable Time Series Forecasting

概述

N-BEATS是2019年由Element AI和Yoshua Bengio实验室提出的一种用于时间序列预测的神经网络架构，通过使用全连接网络和基函数展开方法，在权威预测竞赛中击败了传统的统计方法。

关键内容

1. 背景与动机：
2. 在2018年M4竞赛中，纯深度学习方法表现不佳，冠军方案ES-RNN是统计方法与RNN的混合方案
3. N-BEATS试图证明纯深度学习方法能否在时间序列预测上击败统计方法

4. 采用了最朴素的全连接层而非当时流行的RNN、LSTM、CNN或Transformer

5. 架构特点：

6. 基本块（Basic Block）包含全连接层、ReLU激活函数和双路径输出（前向预测和后向回溯）
7. 双重残差连接：后向残差（减法传递输入）和前向聚合（加法聚合输出）

8. 每个块专注于信号中不同层次的模式，避免重复学习

9. 两种配置：

10. 通用型（Generic）：前向和后向输出由全连接层直接生成，追求预测精度
11. 可解释型（Interpretable）：趋势栈使用低阶多项式基函数，季节性栈使用傅里叶级数基函数
12. 可解释配置通过基函数约束实现了神经网络的可解释性

来源

• 14-nbeats-2019-neural-basis-expansion.md — 全文内容总结

相关

• Yoshua Bengio — authored
• 时间序列预测 — addresses the problem
• 全连接网络 — core component
• 残差学习 — key technique
• 基函数展开 — core method
• ES-RNN — supersedes
• M4竞赛 — evaluation benchmark