n-beats: neural basis expansion analysis for interpretable time series forecasting(ICLR 2020)

本文重点研究利用深度学习求解单变量时间序列点预测问题。本文提出了一种基于前向和后向残差链接和深度全连接层的深度神经网络结构。该体系结构具有许多令人满意的特性，可解释性强，无需修改即可适用于广泛的目标领域，并且训练速度快。在包含不同领域时间序列的M3、M4和旅游竞赛数据集上对所提出的体系结构进行了测试。对于所有数据集，我们展示了最先进的性能，在统计基准上提高了11%的预测准确性，在去年的M4比赛中提高了3%，M4比赛是一种领域调整的神经网络和统计时间序列模型之间的手工混合。模型的第一个配置没有使用任何特定于时间序列的组件，其在异构数据集上的性能强烈表明，与传统的观点相反，深度学习原语(如残差块)本身就足以解决广泛的预测问题。最后，我们演示了如何对所提出的体系结构进行扩充，以提供可解释的输出，而不会造成相当大的准确性损失。

文中的贡献：1）提出了一种新的深度学习架构 2）具有一种强的可解释性

问题定义：

 

 

 N-BEATS

我们的架构设计方法依赖于几个关键原则。首先，基础架构应该是简单和通用的，但具有表现力(深度)。第二，架构不应该依赖于特定于时间序列的特征工程或输入扩展。这些先决条件让我们探索纯DL架构在TS预测中的潜力。最后，作为探索可解释性的先决条件，体系结构应该具有可扩展性，使其输出具有可解释性。我们现在讨论这些原则如何收敛到所提议的体系结构中

3.1 BASIC BLOCK