时间序列之N-BEATS（Neural Basis Expansion Analysis for Time Series Forecasting）的基展开

N-BEATS（Neural Basis Expansion Analysis for Time Series Forecasting）是一种基于深度学习的时间序列预测方法。其核心思想是通过使用基展开（Basis Expansion）来捕捉时间序列的各种模式，并利用深度神经网络进行预测。下面详细解释 N-BEATS 中使用基展开的原理，并通过具体数据举例说明其应用。

N-BEATS 和基展开原理

基展开（Basis Expansion）

基展开是一种数学技术，它通过将原始数据投影到一组基函数上，以捕捉数据的不同特征。对于时间序列数据，这些基函数可以是多项式、傅里叶级数等。

在 N-BEATS 中，基展开用于将时间序列分解为多个子序列，每个子序列由一组基函数表示。具体来说，N-BEATS 通过一个多层神经网络来学习这些基函数，并使用这些基函数来拟合和预测时间序列。

模型结构

N-BEATS 模型由多个堆叠的前馈神经网络（Fully Connected Neural Networks）组成，每个神经网络称为一个 Block。每个 Block 包含两个主要部分：

1. 趋势模型（Trend Model）：用于捕捉长期趋势。
2. 季节性模型（Seasonal Model）：用于捕捉周期性变化。

每个 Block 接收时间序列的输入，并输出两个部分：

• 预测部分：当前 Block 对未来时间序列的预测。
• 残差部分：当前 Block 未能捕捉的部分，这部分将传递给下一个 Block 进行进一步拟合。

通过这种堆叠的结构，N-BEATS 可以逐步捕捉时间序列的复杂模式，从而提高预测精度。

具体数据举例

假设我们有一个电商平台过去24个月的月度销售数据（单位：千元），如下：

• 2019年1月：100
• 2019年2月：120
• 2019年3月：130
• 2019年4月：150
• 2019年5月：170
• 2019年6月：180
• 2019年7月：190
• 2019年8月：200
• 2019年9月：220
• 2019年10月：230
• 2019年11月：240
• 2019年12月：260
• 2020年1月：130
• 2020年2月：140
• 2020年3月：160
• 2020年4月：180
• 2020年5月：170
• 2020年6月：190
• 2020年7月：200
• 2020年8月：210
• 2020年9月：220
• 2020年10月：230
• 2020年11月：240
• 2020年12月：260

我们希望预测2021年的月度销售数据。

使用 N-BEATS 进行预测

1. 输入数据：将过去24个月的销售数据输入 N-BEATS 模型。

2. 基展开和预测：

   • 第一个 Block：学习时间序列的基础模式，例如线性趋势和季节性模式。输出预测部分和残差部分。
   • 第二个 Block：接收第一个 Block 的残差部分，并进一步拟合更细节的模式，输出新的预测部分和残差部分。
   • 依次类推，直到最后一个 Block。

3. 汇总预测结果：将每个 Block 的预测部分汇总，得到最终的预测结果。

假设模型预测的2021年1月至12月的销售数据如下：

• 2021年1月：135
• 2021年2月：145
• 2021年3月：165
• 2021年4月：185
• 2021年5月：175
• 2021年6月：195
• 2021年7月：205
• 2021年8月：215
• 2021年9月：225
• 2021年10月：235
• 2021年11月：245
• 2021年12月：265

总结

N-BEATS 通过基展开技术，将时间序列分解为趋势和季节性等基础模式，并使用深度神经网络逐步拟合这些模式，从而实现高精度的时间序列预测。其堆叠的 Block 结构能够逐步捕捉时间序列的复杂特征，使得 N-BEATS 成为处理多种时间序列预测任务的强大工具。