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