DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks（2017）首先采用深度学习模型解决时间序列预测问题。该方法采用经典的RNN模型进行时间序列预测，在训练阶段，每个时刻传入上一时刻的真实值、外部特征，经过RNN单元后，预测下一个时刻的值。在预测阶段，将模型在上一个时刻的预测值作为输入，替代训练过程中上一个时刻真实值的输入。模型结构如下图。
由于预测阶段和训练阶段，模型在下一个时刻输入的值一个是预测采样的，一个是真实的，会导致训练和预测阶段不一致的问题，NLP中有一些方法缓解该问题，但是不能从根本解决这个问题。 Deep State Space Models for Time Series Forecasting（NIPS 2018）提出了以RNN为基础的Deep State Space模型。该模型建立在state space思路基础上，认为当前时刻的观测值只和当前状态有关，而当前状态只和上一个时刻的状态有关。因此整个预估模型分为两个部分：建模连续两个隐状态的关系，以及从当前时刻隐状态到当前时刻预估结果的关系。在模型实现上，相比DeepAR，模型在训练或预测阶段，每个时刻都不需要输入上一个时刻的真实值或预测值了，完全由隐状态建立连续两个时刻的联系。这样解决了DeepAR中训练和预测不一致的问题。
DeepAR和Deep State Space Model都是one-horizon forecast model，即每次只能预测未来一个时刻的值。 A Multi-Horizon Quantile Recurrent Forecaster（NIPS 2017）提出一种multi-horizon forecast model MQRNN，同时预测未来多个时间步的值。MQRNN采用的是Encoder-Decoder结构，在NLP中经典的Encoder-Deocder结构基础上进行了优化。下图左侧为基础的Encoder-Decoder结构，右侧为MQRNN结构。MQRNN将Decoder部分由RNN改成多个全连接。MQRNN直接将Encoder最后一个时刻的context，以及未来的所有feature拼接到一起，通过一个全连接，生成每个时刻的context和一个全局整体的context。即该全连接输出为T个时刻每个时刻的context向量，以及一个额外的全局向量。
CNN被广泛用于CV和NLP领域，在时间序列预测领域，An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling（2019）采用空洞卷积结合因果卷积的网络结构，该结构也称为基于CNN的时间序列预估模型的基础结构。因果卷积表示在t时刻的输出，是由t时刻及t时刻之前的输入进行卷积得到的（而一般的卷积是t时刻前后一个窗口内的输入进行卷积）。这样，t时刻的输出避免了对t时刻之后信息的依赖而导致的数据泄漏问题。
空洞卷积解决了原来CNN只能看到历史线性大小窗口内数据的问题，当历史序列较长时，普通的卷积需要增大卷积尺寸才能看到更久远的历史信息，导致训练效率较低。空洞卷积跳跃的对历史序列进行卷积，例如当空洞卷积尺寸为2时，t时刻会根据t、t-2、t-4等时刻的输入进行卷积。通过多层卷积的堆叠，层数越多对应的空洞尺寸也越大，这样实现了在时间复杂度不变的情况下引入更长历史信息，提升预测效果。
Transformer时序预测模型
在上文介绍的基于对抗学习DA方法的基础上，学术界针对该方法的不同问题提出了不同的优化方法，主要包括生成任务相关的一致性表示、学习Domain-specific表示辅助Domain-invariant表示两个方面。
Transformer模型首先在NLP领域中取得显著效果，由于NLP和时间序列都为序列数据，因此Transformer也被逐渐应用到时间序列预测任务中。Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case（2020）采用了和GPT相似的Transformer结构尝试了时间序列预测任务，取得较好效果。
然而，在时间序列预测任务中，样本点的序列位置关系非常重要，Transformer虽然通过Attention机制实现了超长周期的特征对齐，位置信息只能依赖于position emedding，影响了Transformer在时间序列预测中的应用。针对这个问题，业内主要采用CNN+Transformer或LSTM+Transformer相结合的方式，使序列模型的序列建模能力和Attention模型的超长周期信息提取能力互补。 Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting（NIPS 2019）提出使用CNN和Transformer结合的方法。模型结构如下图所示，CNN模型增强了上下文信息的提取能力，左图中CNN尺寸为1，即无卷积的情况下，每个时刻的特征单独进入Transformer，当两个时刻的特征相似时，由于上下文环境（即前后时刻的值）不同，因此这两个时刻表达的信息不同，而左侧模型无法提取这个信息。右侧模型使用了尺寸为3的卷积，刻画了上下文信息不同的时刻不同的信息，能够更好发掘具有相似规律的序列片段。
Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting（2019）提出了LSTM和Transformer结合的方法。模型体层采用LSTM结构，利用LSTM的序列建模能力，先对输入序列进行预处理，这样不同时刻生成了考虑上下文和时序信息的表示。接下来底层表示输入到上层Transformer中，利用Attention的超长周期信息提取能力弥补序列模型信息遗忘的问题，模型结构如下图：
Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting（AAAI 2020）提出了一种针对长周期预估的Transformer的升级版。为了让Transformer在长周期预估中提升运行效率，提出了ProbSparse self-attention，通过让key只和关键query形成稀疏的attention减少大量运算量。
Nbeats
N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FOR INTERPRETABLE TIME SERIES FORECASTING（ICLR 2020）提出Nbeats模型，该模型内部结构中没有RNN、CNN或Attention，网络全部为全连接组成，在一些开源数据集上取得较好效果。
Nbeats的核心思路是，多个Block串联，每个Block学习序列的一部分信息，在下一个Block的输入会去掉之前Block已经学到的信息，只拟合之前Block未学到的信息，类似于GBDT的思路。最后再把各个Block的预估结果加和得到最终预估结果。
模型整体结构如下图，主要包含两个模块。第一个模块用于输入输入，通过多层全连接+Relu生成Forecast和Backcast的basis，公式形式可以表示为：
模型的第二个模块用于将Forecast和Backcast的basis转换成前向和过去的预测结果：
其中，Forecast的basis用于进行未来的预测，Backcast的Basis用于进行过去的预测。Backcast部分相当于当前Block对输入序列的分析，下一层的输入会减去当前Block中Backcast的输出，相当于从输入中去掉当前Block已经能较好预测的部分，让后续Block只关注那些前面层无法预测的部分。
整个Nbeats模型都是全连接这种简单结构，通过多层Block串联的形式构造而成，类似于GBDT中多个弱分类器集成的思路。Meta-learning framework with applications to zero-shot time-series forecasting（AAAI 2020）从meta-learning的视角揭示了Nbeats为什么有效。
最初版本的Nbeats无法输入外部特征，后续的论文Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx（2022）在初版Nbeats基础上增加了引入外部特征的能力。在FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting（AAAI 2021）中，又提出了Nbeats结合图学习的模型，让Nbeats能够应用于交通预测等这种存在Spatial-Temporal关系的任务。感兴趣的同学可以进一步深入阅读。 总结
窥视卡
雷达卡
发表于 2022-4-11 12:32
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡