【论文阅读】2022 N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting

论文地址：https://arxiv.org/pdf/2201.12886.pdf
论文代码：https://github.com/Nixtla/neuralforecast

1. 简介

本篇论文是N-Beats模型的改进，不了解N-Beats模型的可以先看【论文阅读】N-BEATS

长时间序列预测有两个常见的难点，一是预测结果的波动性大，二是计算复杂度高。本篇论文在N-BEATS模型的基础上，提出了一种新的模型N-HiTS，通过引入Hierarchical Interpolation和multi-rate data sampling技术来解决上述两个问题。

1.1 N-HiTS和N-BEATS对比

图1展示了N-HiTS和N-BEATS模型的对比：
（a）随着预测长度（Horizon）的增加，N-BEATS的速度变慢、参数量变多，N-HiTs则缓解了这两个问题；
（b）随着预测长度（Horizon）的增加，N-BEATS的误差变大，N-HiTs误差基本无变化。
（c）展示了论文中核心思想，即分不同频率采样预测后插值的思想，用来缓解文章开头提到的两个问题。

1.2 核心贡献

1. Multi-Rate Data Sampling 多频率数据采样
   每个block时序数据输入MLP之前先进行下采样，这样做的好处是，1 是缩短了时序长度，从而更容易进行长时序预测， 2是节省了存储量和计算复杂度
2. Hierarchical Interpolation 分层次插值
   和下采样是正好对应的，在预测结果上又做了个上采样，从而和输出长度匹配
3. N-HiTS architecture
   提出了一种新的模型架构
4. State-of-the-art results
   在6种数据集上取得了SOTA效果

2. 模型架构

N-HiTS模型是N-BEATS模型的扩展，提升了模型