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。

上图是所提出的架构，以多层全连接（FC）网络为基础构建block，该网络采用ReLU激活函数来引入非线性特性。每个block负责预测正向（预测）和反向（反预测）的基础扩展系数，分别用θf和θb表示。这些block通过一种创新的双重残差堆叠方法进行组织，允许在堆叠中的不同层共享预测和反预测的函数。预测结果通过一种分层聚合的方式进行整合，这不仅促进了网络深度的增加，还确保了模型输出的可解释性，使模型能够构建出一个既深入又易于理解的深度神经网络。

模型要点1: DOUBLY RESIDUAL STACKING

经典残差网络架构在将结果传递给下一个堆叠之前，将堆叠层的输入加到其输出上，这类方法在提高深度架构的可训练性方面提供了明显优势。缺点是导致网络结构难以解释。本文作者提出了一种分层双重残差拓扑结构，如图（中间和右侧）所示。所提出的架构有两个残差分支，一个在每层的反预测上运行，另一个在每层的预测分支上运行。

第一个block特殊，它的输入是模型级别的输入x。对于所有其他block，每个block有两个输入：backcast和forecast，分别理解为过去和未来的信息。也就是说经过上一个block后，下一个block的输入是上一个block的输入减去上一个block的backcast输出，由于前一个block移除了它能够很好地近似的信号部分，使得下游block的预测工作变得更容易。每个块输出一个部分预测y^(θ)，该预测首先在堆叠层面上聚合，然后在整体网络层面上聚合，是一种分层分解架构。最终预测Y是所有部分预测的总和，通过聚合有意义的部分预测来实现可解释性的关键重要性。具体技术细节可阅读原文。

模型要点2: Interpretablity

论文中提到了基（basis）这个概念，可以理解为将基根据系数来加权组合，就可以从系数的权重对应出哪个基与输出结果的相关性更强。例如：趋势的典型特征是，大部分时间它是一个单调函数，或者至少是一个变化缓慢的函数。季节性的典型特征是它是规律的、循环的、周期性变化。

这样的话，将正弦曲线设置为基就可以表示一些季节性的分量，将多项式设置为基就可以表示一些趋势性的分量。把基加权线性相加，即可得到预测Forecast或者是Backcast。

结论

提出一种单变量时间序列（TS）预测架构，并通过实证验证了其有效性。验证了两个重要假设：（i）通用的深度学习方法在不使用时间序列领域知识的情况下，在异构单变量时间序列预测问题上表现出色，（ii）可以额外约束深度学习模型，迫使其将预测分解为不同的、人类可解释的输出。