论文简介
- 题目：N-BEATS: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting.
- 代码：https://github.com/ElementAI/N-BEATS
历史研究和瓶颈
在 M4 竞赛中，前排基本都用机器学习的方法，但赢家们还结合了传统统计模型， 例如选手 Smyl 的方法是：带残差/关注机制的神经空洞 LSTM + 经典 Holt-Winter 统计模型。 受到 M4 竞赛的启发，作者想探究在时间序列预测背景下的纯深度学习模型结构， 同时想让模型具有可解释性，让模型能够抽取可解释性因子后，给出预测结果。
论文贡献
N-BEATS 的贡献主要有两点：
- 深度神经结构：没用时序特别组成成分，用单纯的深度学习模型也能超过 M3 和 M4 竞赛中做的好的统计方法。
- 对时序可解释的深度学习模型：N-BEATS 模型能跟传统时序中“seasonality-trend-level” 的方法（序列分解）相近， 输出的结果具有可解释性。
问题定义
先了解下离散时间下单一时序点预测的评估函数：MAPE、sMAPE、MASE 和 OWA。