【论文阅读】NbeatsX

1.论文信息

2.简介

本篇论文扩展了NBEATS模型，通过包括外部变量来扩展其功能，并允许其集成多个有用信息源，由此产生的称为NBEATSx的方法。与原始NBEATS模型相比，预测准确率显著提高了近20%，与专门用于这些任务的其他成熟统计和机器学习方法相比，预测精度提高了5%。此外，所提出的神经网络具有可解释性，可以从结构上分解时间序列，可视化趋势和季节分量的相对影响，并揭示建模过程与外部因素的相互作用。

3.模型

模型的主体结构和Nbeats基本一致，每个block除了输出序列外，还会输入外部特征，二者一起通过全连接层得到隐状态，再基于隐状态生成expansion coefficients。

此外，文中还提出了另一种引入time-dependent特征的方法：采用一个TCN（时间序列卷积模块）作为encodeer，对外部特征进行编码，将该编码作为生成预测结果的因素：

4. 实验

相对Nbeats模型来说效果有所提升