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...
N-BEATS的贡献主要有两点: ● 深度神经结构:没用时序特别组成成分,用单纯的DL也能超过M3和M4竞赛中做的好的统计方法。 ● 对时序可解释的DL:N-BEATS模型能跟传统时序中”seasonality-trend-level“的方法(序列分解)相近,输出的结果具有可解释性。 二、问题声明 先了解下离散时间下单一时序点预测的评估函数:MAPE...
本文利用时序InSAR获取形变监测结果,结合N-BEATS神经网络开展滑坡形变预测工作,发挥N-BEATS模型强大的时间序列数据自动分析,以及高精度、高可靠性和具有一定抗差能力的预测优势,将研究目标定位于中短期滑坡小数据集,应用于三峡库区的Ⅰ级滑坡—...
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...