基于N-HiTS神经层次插值模型的时间序列预测——交叉验证与超参数调优

前言

系列专栏:【深度学习：算法项目实战】✨︎
涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域，讨论了各种复杂的深度神经网络思想，如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆、自然语言处理、深度强化学习、大型语言模型和迁移学习。

论文链接：https://arxiv.org/pdf/2201.12886v3

NHITS是一种解决时间序列长期预测中波动性和计算复杂性的模型。它采用了分层插值和多率数据采样技术，通过构建分层结构来降低计算成本并提高预测精度‌。相较于最新的Transformer架构，NHITS在平均精度上提升了16%，同时计算时间减少了50倍‌。这种模型能够更有效地处理时间序列数据，为时间序列分析提供了新的方法。

具体来说，NHITS通过结合新的分层插值和多率数据采样技术，解决了长期预测中的两个常见挑战：预测的波动性和计算复杂性。这些技术使NHITS能够依次组装其预测，强调具有不同频率和尺度的分量，同时分解输入信号并合成预测‌。这种独特的处理方式使得NHITS在长期预测任务中表现出色。