研究背景
时间序列（TS）预测是商业中的一个重要问题，它涵盖了库存控制、客户管理、生产、分销、财务和市场营销等多个关键领域。准确的时间序列预测可以带来显著的经济效益，每提高一点预测准确性往往意味着数百万美元的价值（Jain, 2017; Kahn, 2003）。然而，尽管深度学习（DL）在计算机视觉和自然语言处理等领域取得了巨大成功，但在时间序列预测方面，传统的统计方法仍然占据主导地位。
在M4竞赛中，纯机器学习方法的表现不佳，排名靠后。相反，表现最好的方法通常是传统统计技术的集成（Makridakis et al., 2018b）。因此，研究者们普遍认为混合方法和组合方法是提高预测准确性的未来方向。本文旨在挑战这一结论，探索纯深度学习架构在时间序列预测中的潜力。
具体来说，时间序列预测在供应链管理中的应用尤为广泛。例如，在库存控制中，准确的需求预测可以帮助企业优化库存水平，减少过剩或缺货的风险。在客户管理中，预测客户行为可以帮助企业更好地进行市场推广和客户服务。此外，时间序列预测还广泛应用于生产计划、物流调度和财务规划等领域。然而，传统的统计方法虽然在某些情况下表现良好，但在复杂多变的实际环境中，其预测能力有限。因此，探索新的方法以提高预测准确性显得尤为重要。
本文的研究背景不仅在于解决当前时间序列预测的瓶颈，还在于推动深度学习在这一领域的应用。通过引入N-BEATS模型，作者希望展示纯深度学习架构在时间序列预测中的潜力，并提供一种可解释的方法，使得预测结果更加透明和可靠。
核心发现解读
本文提出了N-BEATS模型，这是一种基于深度神经网络的时间序列预测架构。该模型在多个数据集上表现出色，并且具有可解释性。以下是几个核心发现：
- 11%：N-BEATS模型在M4数据集上的表现优于统计基准，提高了11%的准确率。
- 3%：N-BEATS模型比M4竞赛的获胜者（一个结合了神经网络和统计模型的混合方法）提高了3%的准确率。
- 7%：N-BEATS模型比最佳的统计方法提高了7%的准确率。
这些结果表明，纯深度学习架构可以在不使用任何时间序列特定组件的情况下，解决广泛的时间序列预测问题。此外，N-BEATS模型还提供了一种可解释的输出形式，使得其内部操作更加透明，便于实际应用。
N-BEATS模型的核心架构包括基本构建块和双重残差堆叠。基本构建块是一个多层全连接网络，它预测向前和向后的基展开系数。每个块有两个输出：一个是前向预测，另一个是后向预测（也称为“回溯”）。这种设计使得模型能够逐步分析输入信号，并通过残差连接去除已近似部分，从而简化后续块的预测任务。
在实验设置方面，N-BEATS模型在多个知名数据集上进行了测试，包括M3、M4和TOURISM竞赛数据集。这些数据集包含了来自不同领域的多样化时间序列数据。实验结果表明，N-BEATS模型在所有数据集上均表现出色，特别是在M4数据集上，其性能超过了统计基准和其他竞争方法。
具体而言，在M4数据集中，N-BEATS模型的两个配置分别提高了11%和3%的准确率。其中，第一个配置没有使用任何时间序列特定组件，这表明深度学习的基本组件（如残差块）足以解决广泛的时间序列预测问题。第二个配置则通过引入趋势和季节性分解，使模型的输出更具可解释性。
“We demonstrate state-of-the-art performance for two configurations of N-BEATS for all the datasets, improving forecast accuracy by 11% over a statistical benchmark and by 3% over last year’s winner of the M4 competition.”——Boris N. Oreshkin, Dmitri Carpov, Nicolas Chapados, Yoshua Bengio
批评/局限
虽然N-BEATS模型在多个数据集上表现出色，但研究也指出了其一些局限性和值得商榷之处。
- 模型的性能高度依赖于输入窗口的长度选择。较长的输入窗口可能会导致训练时间和计算资源的增加。
- 尽管N-BEATS模型在多种数据集上表现出色，但其在某些特定类型的时间序列数据上的表现可能不如专门设计的方法。
- 模型的可解释性虽然得到了增强，但仍需进一步验证其在实际应用中的有效性和实用性。
作者提到，N-BEATS模型的性能对输入窗口的长度非常敏感。较长的输入窗口虽然可以提供更多的历史信息，但也会增加训练时间和计算资源的需求。因此，在实际应用中，需要根据具体情况权衡输入窗口的长度。
此外，尽管N-BEATS模型在多种数据集上表现出色，但在某些特定类型的时间序列数据上的表现可能不如专门设计的方法。例如，在具有强烈周期性和趋势特征的数据集上，专门设计的模型可能会更有效。因此，N-BEATS模型在某些特定场景下的适用性仍需进一步研究。
关于模型的可解释性，虽然N-BEATS模型通过引入趋势和季节性分解增强了其可解释性，但这种可解释性在实际应用中的有效性和实用性仍有待验证。特别是在复杂的实际环境中，如何将这些解释转化为具体的业务决策仍是一个挑战。
实操启示
对于供应链从业者来说，N-BEATS模型提供了以下几个实用的启示：
- 考虑使用纯深度学习架构进行时间序列预测，尤其是在没有特定时间序列特征工程需求的情况下。
- 利用N-BEATS模型的可解释性，更好地理解预测结果背后的驱动因素，从而做出更明智的决策。
- 在实际应用中，可以通过调整输入窗口的长度来平衡模型的准确性和计算资源的需求。
- 尝试将N-BEATS模型与其他传统统计方法结合，以进一步提高预测准确性。
首先，N-BEATS模型展示了纯深度学习架构在时间序列预测中的潜力。对于供应链从业者来说，这意味着可以考虑使用纯深度学习方法来进行预测，而无需进行复杂的时间序列特征工程。这不仅可以简化模型的开发过程，还可以提高预测的准确性。
其次，N-BEATS模型的可解释性为供应链从业者提供了更好的决策支持。通过分解预测结果为趋势和季节性成分，从业者可以更清楚地了解预测结果背后的驱动因素，从而做出更明智的决策。例如，在库存管理中，了解需求的趋势和季节性变化可以帮助企业更好地规划库存水平。
在实际应用中，供应链从业者还需要根据具体情况调整输入窗口的长度。较长的输入窗口可以提供更多的历史信息，从而提高预测的准确性，但也需要更多的计算资源。因此，从业者需要在准确性和计算资源之间找到合适的平衡点。
最后，尽管N-BEATS模型在多个数据集上表现出色，但在某些特定类型的时间序列数据上的表现可能不如专门设计的方法。因此，供应链从业者可以尝试将N-BEATS模型与其他传统统计方法结合，以进一步提高预测准确性。这种组合方法可以充分利用不同类型方法的优势，从而实现更好的预测效果。
论文引用
本文详细介绍了N-BEATS模型的设计原理和实验结果，为时间序列预测领域的研究和实践提供了重要的参考。
“We demonstrate state-of-the-art performance for two configurations of N-BEATS for all the datasets, improving forecast accuracy by 11% over a statistical benchmark and by 3% over last year’s winner of the M4 competition.”——Boris N. Oreshkin, Dmitri Carpov, Nicolas Chapados, Yoshua Bengio
标题：N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FOR INTERPRETABLE TIME SERIES FORECASTING
作者/机构：Boris N. Oreshkin, Dmitri Carpov, Nicolas Chapados, Yoshua Bengio (Element AI, Mila)
