时序论文20｜ICLR20 可解释时间序列预测N-BEATS

论文标题：N-BEATS N EURAL BASIS EXPANSION ANALYSIS FOR INTERPRETABLE TIME SERIES FORECASTING

论文链接：https://arxiv.org/pdf/1905.10437.pdf

前言

为什么时间序列可解释很重要？时间序列的可解释性是确保模型预测结果可靠、透明且易于理解的关键因素。它帮助增强用户信任，促进更明智的决策，同时便于调试和风险管理，特别是在特定领域，例如风险投资、医疗诊断等领域，理解模型背后的逻辑非常重要，毕竟谁也不敢把决策权交给一个黑盒模型。

本文设计了一种深度神经网络架构N-BEATS，它以残差连接前后向链接和深层全连接层堆叠为核心。这一架构不仅具备高度的可解释性，而且能够广泛适用于多个领域，模型的配置完全没有依赖于特定于时间序列的特性，却能在多样化的数据集上展现出卓越的性能（与2020年的模型相比），证明了深度学习的基本构件，比如残差块，本身就具有解决广泛预测问题的能力。此外，本文还展示了如何通过增强架构，实现在不牺牲准确性的前提下，提供可解释的输出。

本文模型

本文的目的是构造一个简单、可解释性强的深度学习时间序列预测模型，问题的场景是一维、单变量时序预测。