「人工智能学术前沿」用于可解释的时间序列预测，N-BEATS：神经网络底层扩展分析 N-BEATS：神经网络底层扩展分析

N-BEATS：神经网络底层扩展分析，用于可解释的时间序列预测题目：
N-BEATS:Neuralbasisexpansionanalysisforinterpretabletimeseriesforecasting
作者：
BorisN.Oreshkin,DmitriCarpov,NicolasChapados,YoshuaBengio
来源：
ComputerVisionandPatternRecognition(cs.CV)
ICLR2020
Submittedon25Jul2019(v1),lastrevised8Apr2020(thisversion,v4)
【「人工智能学术前沿」用于可解释的时间序列预测，N-BEATS：神经网络底层扩展分析】文档链接：
https://openreview.net/pdf?id=r1ecqn4YwB
代码链接：
https://github.com/amitesh863/nbeats_forecast
摘要我们专注于使用深度学习来解决单变量时间序列点预测问题。我们提出了一种基于神经网络的深层神经结构，该结构基于向前和向后的残差链接以及非常深的全连接层堆栈。该体系结构具有许多理想的属性，这些属性可以解释，可以在不修改大量目标域的情况下适用，并且训练迅速。我们在几个著名的数据集上测试了提议的体系结构，包括M3 ， M4和TOURISM竞赛数据集，其中包含来自不同领域的时间序列。我们展示了针对所有数据集的两种N-BEATS配置的最新性能，与统计基准相比，预测准确性提高了11％，与去年M4竞赛的获胜者相比，提高了3％，在神经网络和统计时间序列模型之间进行领域调整的手工混合。我们模型的第一个配置未使用任何特定于时间序列的组件，并且其在异构数据集上的性能强烈表明，与公认的知识相反，深度学习原语（例如残差块）本身足以解决各种预测问题。最后，我们演示了如何扩展所建议的体系结构以提供可解释的输出，而不会造成准确性的重大损失。诸如残差块之类的深度学习原语本身就足以解决各种预测问题。最后，我们演示了如何扩展所建议的体系结构以提供可解释的输出，而不会造成准确性的重大损失。诸如残差块之类的深度学习原语本身就足以解决各种预测问题。最后，我们演示了如何扩展所建议的体系结构以提供可解释的输出，而不会造成准确性的重大损失。
英文原文Wefocusonsolvingtheunivariatetimesseriespointforecastingproblemusingdeeplearning.Weproposeadeepneuralarchitecturebasedonbackwardandforwardresiduallinksandaverydeepstackoffully-connectedlayers.Thearchitecturehasanumberofdesirableproperties,beinginterpretable,applicablewithoutmodificationtoawidearrayoftargetdomains,andfasttotrain.Wetesttheproposedarchitectureonseveralwell-knowndatasets,includingM3,M4andTOURISMcompetitiondatasetscontainingtimeseriesfromdiversedomains.Wedemonstratestate-of-the-artperformancefortwoconfigurationsofN-BEATSforallthedatasets,improvingforecastaccuracyby11%overastatisticalbenchmarkandby3%overlastyear'swinneroftheM4competition,adomain-adjustedhand-craftedhybridbetweenneuralnetworkandstatisticaltimeseriesmodels.Thefirstconfigurationofourmodeldoesnotemployanytime-series-specificcomponentsanditsperformanceonheterogeneousdatasetsstronglysuggeststhat,contrarilytoreceivedwisdom,deeplearningprimitivessuchasresidualblocksarebythemselvessufficienttosolveawiderangeofforecastingproblems.Finally,wedemonstratehowtheproposedarchitecturecanbeaugmentedtoprovideoutputsthatareinterpretablewithoutconsiderablelossinaccuracy.
N-BEATS结构所提议的基本构建块具有一个分支架构，如图1(左)所示。在本节中，我们着重详细描述第t个块的操作（为简便起见，在图1中删除了块索引`）。第t个块接受其各自的输入x ，并输出两个向量bx和by 。对于模型中的第一个块，其相应的x`是整体模型输入的一定长度的历史回溯窗口，以最后一次测量的观测值结束