N-BEATS-MOE：面向异构时间序列预测的带有混合专家层的 N-BEATS
机器学习
2025-08-12 v1 机器学习
摘要
深度学习方法在时间序列预测任务中日益重要。诸如 N-BEATS 之类的方法，基于多层感知机（MLP）模块堆叠构建，已在基准数据集和竞赛中取得了最先进的结果。相对于其他深度学习方法，N-BEATS 也具有更强的可解释性，因为它将预测分解为不同的时间序列成分，如趋势和季节性。在这项工作中，我们提出了 N-BEATS-MOE，这是基于混合专家（MoE）层的 N-BEATS 扩展。N-BEATS-MOE 采用了一种基于门控网络的动态模块加权策略，使模型能够更好地适应每个时间序列的特性。我们还假设，门控机制通过识别哪个专家对每个序列最相关，提供了额外的可解释性。我们在 12 个基准数据集上，针对多种方法评估了我们的方法，在多个数据集上取得了一致的改进，尤其是在那些由异构时间序列组成的数据集上。
引用
@article{arxiv.2508.07490,
title = {N-BEATS-MOE: N-BEATS with a Mixture-of-Experts Layer for Heterogeneous Time Series Forecasting},
author = {Ricardo Matos and Luis Roque and Vitor Cerqueira},
journal= {arXiv preprint arXiv:2508.07490},
year = {2025}
}