N-BEATS

已于 2022-05-10 23:28:35 修改
阅读量1.6k 收藏 14
点赞数 1
分类专栏： 深度学习 预测 机器学习算法 文章标签： 预测 深度学习
于 2022-05-10 15:54:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39910711/article/details/124688772
版权
这篇博客介绍了N-BEATS模型，这是一种用于可解释时间序列预测的神经网络方法。N-BEATS通过分解序列成可解释的基函数来实现预测，并且由于其模块化结构，可以适应不同领域的应用。文中提到了通用模型可能需要更多块以捕获复杂性，而可解释性方法则倾向于利用先验知识。同时，博客还讨论了细粒度时间数据的不稳定性问题。链接提供了模型的GitHub实现和论文分享。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

        通用的block多，原因可能是需要更多的block去学习，而可解释性的方法中添加了很多先验知识。

        更细粒度的时间数据不稳定性更大。


https://github.com/amitesh863/nbeats_forecast


[论文精读] N-BEATS：对可解释时序预测的神经基础扩展分析_哔哩哔哩_bilibili

【论文分享】N-BEATS: 神经网络底层扩展分析，用于可解释的时间序列预测。_哔哩哔哩_bilibili

https://arxiv.org/pdf/1905.10437v3.pdf

github:

GitHub - amitesh863/nbeats_forecast: N-Beats library implementation

GitHub - philipperemy/n-beats: Keras/Pytorch implementation of N-BEATS: Neural basis expansion analysis for interpretable time series forecasting.

 

N-Beats：一种用于时间序列预测的纯前馈神经网络模型
TIM的博客
02-10 1146
N-Beats（Neural Basis Expansion Analysis for Interpretable Time Series Forecasting）是一种基于纯前馈神经网络的时间序列预测模型。与传统的递归神经网络（如LSTM和GRU）不同，N-Beats通过堆叠多个简单的前馈块来生成预测，具有高度的可解释性和灵活性。
n-beats: neural basis expansion analysis for interpretable time series forecasting(ICLR 2020)
小蚂蚁与大象
07-22 755
对于所有数据集，我们展示了最先进的性能，在统计基准上提高了11%的预测准确性，在去年的M4比赛中提高了3%，M4比赛是一种领域调整的神经网络和统计时间序列模型之间的手工混合。模型的第一个配置没有使用任何特定于时间序列的组件，其在异构数据集上的性能强烈表明，与传统的观点相反，深度学习原语(如残差块)本身就足以解决广泛的预测问题。最后，我们演示了如何对所提出的体系结构进行扩充，以提供可解释的输出，而不会造成相当大的准确性损失。最后，作为探索可解释性的先决条件，体系结构应该具有可扩展性，使其输出具有可解释性。..
n-beats:KerasPytorch N-BEATS的实现
05-13
N-BEATS：神经基础扩展分析，用于可解释的时间序列预测（Keras，Pytorch） 链接到[]。 作者：Philippe Remy和Jean-Sebastien Dhr 训练开始时的N-Beats 相信我，再走几步，绿色曲线（预测值）就会与地面真实情况完全匹配：-) 安装 确保您在virtualenv中（推荐）并安装了python3。 从PyPI pip install nbeats-keras ： pip install nbeats-keras 。 安装Pytorch： pip install nbeats-pytorch 。 从来源 安装基于MakeFile。 使用Keras安装N-Beats的命令： make install-keras 使用Pytorch安装N-Beats的命令： make install-pytorch 在GPU上运行 要强制使用GPU（带
【论文阅读】N-BEATS
mataolc的博客
01-02 1840
本论文贡献包含两部分： 1. 深度学习架构：首次提出了没有运用精心设计的时序模块的纯DL模型，并取得了超过精心设计的统计模型的效果。证明了在时序预测任务上使用纯DL模型是可行的，并且加强了这一条路径的研究积极性。 2. 面向时序任务的可解释DL：论文验证了可以通过类似传统的分解方法，例如“seasonality-trend-level”，精心设计模型结构，从而使其具有可解释性输出是可行的。
【时间序列】N-BEATS：对可解释时序预测的神经基础扩展分析
AI蜗牛车
02-09 8240
论文：ICLR2020 | N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FOR INTERPRETABLE TIME SERIES FORECASTI...
论文笔记：N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FORINTERPRETABLE TIME SERIES FORECASTING
qq_40206371的博客
12-06 6402
ICLR 2020 0 摘要 本文重点研究了利用深度学习解决单变量时间序列点预测问题。 我们提出了一种基于后向和前向残留链路和一个非常深的全连接层堆栈的深度神经结构。 该体系结构具有许多令人满意的特性，这些特性是可解释的，适用于广泛的目标领域而无需修改，并且可以快速训练。 我们在几个著名的数据集上测试了提出的体系结构，包括M3、M4和旅游竞赛数据集，这些数据集包含了来自不同领域的时间序列。 我们展示了两个配置下N-B...
N-BEATS-master.zip_人工智能/神经网络/深度学习_Python__人工智能/神经网络/深度学习_Python_
08-09
在“N-BEATS-master”压缩包中，可能包含了以下文件和目录： 1. `requirements.txt`：列出项目所需的Python库及其版本。 2. `model.py`：N-BEATS模型的实现代码。 3. `data`：存放时间序列数据的目录，可能包含...
水文预测系统：TensorFlow-N-BEATS处理多变量时序数据.pdf
01-05
该文档【水文预测系统：TensorFlow_N-BEATS处理多变量时序数据】共计 40 页，文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位，文档内容完整、条理清晰。文档内所有文字、图表、目录等元素均显示...
N-BEATS：独特的可解释时间序列预测深度学习模型
weixin_39559994的博客
10-16 1590
集类 TimeSeriesDataset（Dataset）：definit结论N-BEATS 不仅仅是一个预测工具，它还是一个强大且可解释的框架，可使深度学习在时间序列分析中普及。它能够清晰地洞察预测的驱动因素，这对于依赖准确、可解释预测的企业来说非常有价值。号召行动对于那些希望突破时间序列预测界限的人来说，实施 N-BEATS 可以完美地结合性能和可解释性，从而改变决策过程。尝试将 N-BEATS 应用于您的数据，并深入了解它可以提供的深度见解。有用的资源。
N-Beats: 创新的可解释性时间序列预测框架
gitblog_00048的博客
04-25 877
N-Beats: 创新的可解释性时间序列预测框架 n-beats Keras/Pytorch implementation of N-BEATS: Neural basis expansion analysis for interpretable time series forecasting. ...
首个可解释的深度学习时间序列预测模型-N-BEATS
强化学习曾小健
08-21 1947
在所有示例中，我们用了一种非常静态的方法，即我们只在测试集上进行一次预测。但假设我们为一家拥有发电单元的公司工作，该公司希望知道如何规划其单元的运行以最大化收入。为此，他们希望每天早上都能获得更新的预测，所以我们必须每天运行模型。但是，我们该如何管理呢？在上面的例子中，我们只预测了训练集之后紧接着的几周。每当我们需要进行新的预测时，都需要重新训练模型，N-BEATS模型依赖于回溯期，因此我们必须使用最新的可用数据更新数据集，并重新训练模型。在我们的例子中，就是使用最后一天的批发价格。
Nbeats学习笔记
m0_72410588的博客
06-05 1507
Nbeats 模型由 Element AI 提出，是一种基于神经网络的时间序列预测模型。Nbeats 模型的核心思想是将时间序列分解成若干个基函数，每个基函数可以被视为一个小型的神经网络，来进行时间序列的拟合。Nbeats 模型可以自适应地选择不同层面与不同时间窗口下的基函数，从而建立了一个简单而高效的模型框架。
工具系列：时间序列预测工具Dart介绍_N-BEATS深度学习模型
数智笔记
01-14 1743
竞赛中优于成熟的统计方法。通常情况下，我们需要使用额外的测试集来验证模型在未见过的数据上的表现，但是在这个例子中我们将跳过这一步。我们在一家溪流发电厂的日常能源生成数据集上对NBEATS进行测试，因为该数据集展示了不同级别的季节性。尽可能少地使用先前的知识，没有特征工程，没有缩放，也没有可能被认为是时间序列特定的内部架构组件。让我们看看模型在不断扩大的训练窗口下，以及预测的时间范围为7的情况下会产生哪些历史预测。让我们来看看模型在不断扩大的训练窗口下以及预测期为7的情况下会产生的历史预测。
时间序列之N-BEATS（Neural Basis Expansion Analysis for Time Series Forecasting）的基展开
m0_51200050的博客
07-04 1074
N-BEATS 通过基展开技术，将时间序列分解为趋势和季节性等基础模式，并使用深度神经网络逐步拟合这些模式，从而实现高精度的时间序列预测。其堆叠的 Block 结构能够逐步捕捉时间序列的复杂特征，使得 N-BEATS 成为处理多种时间序列预测任务的强大工具。
【时间序列预测】Nbeats系列模型介绍
AI蜗牛车
09-06 3749
今天给大家介绍由图灵奖得主Bengio创建的独角兽公司ElementAI发表的用于时间序列预测的Nbeats系列模型。相比于RNN、transformer、CNN这三个主流时间预测模型框架，Nbeats开创了一个新的backbone，即仅使用全连接网络实现时间序列预测。N-BEATS: Neural basis expansion analysis for interpretable time ...
时间序列 工具库学习（11） Darts模块-N-BEATS模型
酒心★
01-19 1516
1.导库 N-BEATS是一个最先进的模型，它展示了时间序列预测背景下纯深度学习架构的潜力。它在M3和M4比赛中优于成熟的统计方法。有关模型的更多详细信息，请参见：论文 # fix python path if working locally from utils import fix_pythonpath_if_working_locally fix_pythonpath_if_working_locally() %matplotlib inline import numpy as np import
N-BEATS：革命性的时间序列预测模型
gitblog_00147的博客
10-10 845
N-BEATS：革命性的时间序列预测模型 项目地址:https://gitcode.com/gh_mirrors/nbe/N-BEATS 项目介绍 N-BEATS（Neural Basis Expansion Analysis for Interpretable Time Series Forecasting）是由ServiceNow（原Element AI）开发的一种基于神经网络的时间序列预测模...
探索N-BEATS：新一代时间序列预测框架
gitblog_00053的博客
04-20 615
探索N-BEATS：新一代时间序列预测框架 N-BEATS N-BEATS is a neural-network based model for univariate timeseries forecasting. N-BEATS is a ServiceNow Research project that was st...
N-BEATS模型和LSTM模型结合
最新发布
01-19
### N-BEATS与LSTM模型结合的方法 #### 方法概述 为了提升时间序列预测的效果，可以考虑将N-BEATS模型与长短期记忆（LSTM）网络相结合。这种组合能够充分利用两种架构的优势：N-BEATS擅长捕捉复杂的模式并提供可解释性的输出[^2]；而LSTM则以其处理长期依赖关系的能力著称。 #### 结合策略 一种可能的方式是在特征提取阶段引入LSTM层来捕获输入序列中的长时间跨度特性，随后利用N-BEATS作为最终的回归器来进行预测。具体来说： - **预训练LSTM编码器**：先单独训练一个或多个LSTM单元组成的编码器部分，使其学习到有效的表示形式。 - **融合机制设计**：通过连接操作或者其他方式将经过LSTM变换后的隐藏状态传递给N-BEATS模块，让后者在此基础上继续优化预测结果。 - **联合调优过程**：当两个组件都准备好之后，可以通过端到端的学习框架共同微调参数，确保整体结构达到最佳性能表现。 ```python import torch from torch import nn class LSTMEncoder(nn.Module): def __init__(self, input_size=10, hidden_size=50, num_layers=2): super(LSTMEncoder, self).__init__() self.lstm = nn.LSTM(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers) def forward(self, x): output, (hn, cn) = self.lstm(x) return hn[-1] class NBETSLSTMModel(nn.Module): def __init__(self, lstm_encoder, nbeats_model): super(NBETSLSTMModel, self).__init__() self.encoder = lstm_encoder self.nbeats = nbeats_model def forward(self, x): encoded_features = self.encoder(x.unsqueeze(-1)) prediction = self.nbeats(encoded_features.view(1,-1)).squeeze() return prediction ``` 上述代码片段展示了一个简单的实现方案，其中`NBETSLSTMModel`类定义了如何把LSTM编码得到的信息喂入已有的N-BEATS实例中去完成预测任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值