【论文阅读】SCNN - 模块化可解释的多元时间序列预测

1. 简介

这篇文章的核心是，利用因素分解的思路将多元时间序列预测问题模块化，并得益于分解和模块化建模方法，实现多元时间序列预测的可解释性建模。

2. 问题定义

1. 基础符号
   
2. 多元时序预测 Multivariate time series forecasting
   
3. 多元时序的生成过程 Generative process for multivariate time series
   假设整个多元时间序列的生成由下面4个等式而来，其中Z0是原始多元序列的表示，它可以拆解为上述4个模块，每个模块由一个scale因子${\sigma }_t^{\ast }$和一个location因子${\mu }_t^{\ast }$定义：
   

3. 模型

提取各个模块的scale和location：
长周期项——使用一个较大的滑动窗口，计算窗口内的均值和方差，作为scale和factor；
短周期项——和长周期项计算方法相同，但是会使用一个较小的滑动窗口，防止短期信息被平滑掉；
季节项——可以通过傅里叶变换提取，文中增加一个简化假设，季节性的周期长度不变，因此直接采用了窗口统计的方法；
序列相关性项——多元序列比单元序列需要多考虑各个序列之间的关系这一项，文中attention计算两两序列相关性打分，利用该打分计算你scale和factor。

基于上述4个分解模块，模型的主体结构如下图，包括Encoder和Decodeer两个部分。Encoder对4个模块的信息进行编码，Decoder对4个模块的信息进行外推预测，并产出预测结构。

通过4个模块分别提取相应的表征和scale、location等factor后，将这4个模块的信息拼接到一起，对应图中的Zn和Hn。各个模块的提取过程按照第一节中的多元时间序列生成假设来，对于原始序列，先抽取长周期模块的scale和location，去掉长周期信息后的表示，再输入到下一个组件抽取季节模块，以此类推顺序的进行抽取。4个模块抽取后剩余的序列，认为是残差部分。

在Fusion层，使用1维卷积对各个模块的信息做融合。

而对于残差项、短期项和序列相关性项，它们的变化波动很大，不像前文中长周期模块和季节性模块这么稳定容易预测。文中采用的方法是，学习一个DNN网络，对历史一个窗口内相应模块的表示向量、scale、location等信息进行映射，预测未来时刻的相应信息

4. 实验

本文在多个数据集上，对比了各类多元时间序列预测模型的效果，包括单元序列模型、时空预测模型等。从效果上来看，本文提出的方法效果提升程度非常明显，基本在5%以上。