N-BEATS：用于可解释时间序列预测的神经网络基展开分析
机器学习
2020-02-24 v4 机器学习
摘要
我们专注于使用深度学习解决单变量时间序列点预测问题。我们提出了一种基于反向和正向残差链接以及非常深的全连接层堆栈的深度神经架构。该架构具有若干理想特性：可解释、无需修改即可应用于广泛的目标领域、且训练快速。我们在多个知名数据集上测试了所提架构，包括含有来自不同领域时间序列的M3、M4和TOURISM竞赛数据集。我们展示了N-BEATS的两种配置在所有数据集上均达到最先进性能，较统计基准预测精度提高11%，较去年M4竞赛冠军（一种神经网络与统计时间序列模型间经领域调整的手动混合模型）提高3%。我们模型的第一种配置未采用任何时间序列专用组件，其在异构数据集上的性能强烈表明，与既有认知相反，诸如残差块等深度学习原语本身即足以解决广泛的预测问题。最后，我们展示了如何增强所提架构以在不显著损失精度的情况下提供可解释的输出。
引用
@article{arxiv.1905.10437,
title = {N-BEATS: Neural basis expansion analysis for interpretable time series forecasting},
author = {Boris N. Oreshkin and Dmitri Carpov and Nicolas Chapados and Yoshua Bengio},
journal= {arXiv preprint arXiv:1905.10437},
year = {2020}
}