1. DeepAR
1.1 核心思想
- 提出者：亞馬遜（Amazon）團隊于2018年提出。
- 目標：針對多變量時間序列進行概率預測（Probabilistic Forecasting），輸出預測值的分布（如均值、方差、置信區間），而非單一確定性預測。
- 適用場景：適用于具有多變量、多目標的時間序列預測任務（如零售銷售預測、能源負荷預測）。
1.2 模型結構
- RNN架構：基于長短時記憶網絡（LSTM）或門控循環單元（GRU），捕捉時間序列的長期依賴關系。
- 多變量建模：通過共享隱藏層參數，同時建模多個相關時間序列（如不同商品的銷售數據）。
- 概率輸出：
- 使用條件分布（如高斯分布、負二項分布）建模預測值的不確定性。
- 通過最大似然估計優化模型參數。
1.3 優勢
- 概率預測：提供預測的置信區間，支持風險評估。
- 多變量建模：通過共享參數學習變量間的相關性，提升泛化能力。
- 可擴展性：適合大規模數據集（如數百萬級時間序列）。
1.4 局限性
- 計算資源需求高：訓練和推理需要較高算力（如GPU）。
- 數據依賴性強：需要足夠長的歷史序列（通常需至少30個時間步）。
- 可解釋性差：黑盒模型，難以解釋特征重要性。
1.5 典型應用
- 零售行業：商品銷量預測。
- 能源行業：電力負荷預測。
- 供應鏈：庫存需求預測。
2. N-BEATS
2.1 核心思想
- 提出者：Facebook AI 團隊于2019年提出。
- 目標：通過神經網絡模塊化設計，靈活建模時間序列的加法/乘法分解模式（如趨勢、季節性）。
- 適用場景：適用于復雜非線性時間序列（如金融數據、工業傳感器數據）。
2.2 模型結構
- 全連接網絡（Dense Layers）：
- 使用多層感知機（MLP）替代RNN/CNN，降低對序列長度的依賴。
- 通過堆疊多個模塊化塊（Block）實現特征提取和預測。
- 加法/乘法分解：
- 加法塊（Additive Block）：建模趨勢和周期性。
- 乘法塊（Multiplicative Block）：建模非線性關系（如波動性變化）。
- 端到端訓練：直接預測未來時間步的值，無需顯式分解。
2.3 優勢
- 靈活性：通過模塊化設計適應不同時間序列模式（如趨勢、季節性、噪聲）。
- 可解釋性：可輸出趨勢、季節性等分解成分，便于分析。
- 計算效率高：相比RNN/LSTM，訓練速度更快，適合短序列數據。
2.4 局限性
- 長序列建模能力有限：依賴局部模式，對長期依賴關系建模效果較弱。
- 數據量要求：對小樣本數據泛化能力可能不足。
- 超參數敏感：模塊數量、深度等超參數需仔細調優。
2.5 典型應用
- 金融領域：股票價格預測。
- 工業監控：設備傳感器數據預測。
- 氣象學：溫度、降水量預測。
3. 對比與選擇建議
復制
| 特性 | DeepAR | N-BEATS |
|---|---|---|
| 模型類型 | RNN（LSTM/GRU） | 全連接網絡（MLP） |
| 預測類型 | 概率預測（均值+方差） | 確定性預測（可擴展為概率預測） |
| 多變量建模 | ? 支持 | ? 支持 |
| 可解釋性 | ? 無 | ? 可輸出趨勢/季節性分解 |
| 長序列建模 | ? 適合長序列（>30步） | ? 適合短序列（<100步） |
| 計算資源 | 高（需GPU加速） | 低（CPU即可訓練） |
| 典型場景 | 零售、能源（長序列+多變量） | 金融、工業（短序列+非線性模式） |
4. 實際應用建議
- 選擇DeepAR：
- 需要概率預測（如風險評估）。
- 數據為長序列（>30步）且多變量。
- 有充足計算資源（GPU）。
- 選擇N-BEATS：
- 需要可解釋性（如分解趨勢/季節性）。
- 數據為短序列或非線性模式復雜。
- 希望快速訓練（低算力需求）。
5. 開源實現
- DeepAR：
- 官方實現：Amazon SageMaker DeepAR。
- PyTorch實現：PyTorch Forecasting。
- N-BEATS：
- 官方實現：Facebook N-BEATS。
- PyTorch/TensorFlow兼容庫：Darts。
6. 總結
- DeepAR?是面向多變量、長序列的概率預測模型，適合需要不確定性估計的場景。
- N-BEATS?通過模塊化設計靈活建模復雜模式，適合短序列和非線性數據，且可解釋性更強。
- 兩者均在工業界廣泛應用，可根據具體任務需求選擇模型。
