1. DeepAR
1.1 核心思想
- 提出者：亚马逊（Amazon）团队于2018年提出。
- 目标 ：针对多变量时间序列进行概率预测（Probabilistic Forecasting），输出预测值的分布（如均值、方差、置信区间），而非单一确定性预测。
- 适用场景：适用于具有多变量、多目标的时间序列预测任务（如零售销售预测、能源负荷预测）。
1.2 模型结构
- RNN架构：基于长短时记忆网络（LSTM）或门控循环单元（GRU），捕捉时间序列的长期依赖关系。
- 多变量建模：通过共享隐藏层参数，同时建模多个相关时间序列（如不同商品的销售数据）。
- 概率输出 ：
- 使用条件分布（如高斯分布、负二项分布）建模预测值的不确定性。
- 通过最大似然估计优化模型参数。
1.3 优势
- 概率预测：提供预测的置信区间，支持风险评估。
- 多变量建模：通过共享参数学习变量间的相关性，提升泛化能力。
- 可扩展性：适合大规模数据集（如数百万级时间序列）。
1.4 局限性
- 计算资源需求高：训练和推理需要较高算力（如GPU）。
- 数据依赖性强：需要足够长的历史序列（通常需至少30个时间步）。
- 可解释性差：黑盒模型，难以解释特征重要性。
1.5 典型应用
- 零售行业：商品销量预测。
- 能源行业：电力负荷预测。
- 供应链：库存需求预测。
2. N-BEATS
2.1 核心思想
- 提出者：Facebook AI 团队于2019年提出。
- 目标 ：通过神经网络模块化设计，灵活建模时间序列的加法/乘法分解模式（如趋势、季节性）。
- 适用场景：适用于复杂非线性时间序列（如金融数据、工业传感器数据）。
2.2 模型结构
- 全连接网络（Dense Layers） ：
- 使用多层感知机（MLP）替代RNN/CNN，降低对序列长度的依赖。
- 通过堆叠多个模块化块（Block）实现特征提取和预测。
- 加法/乘法分解 ：
- 加法块（Additive Block）：建模趋势和周期性。
- 乘法块（Multiplicative Block）：建模非线性关系（如波动性变化）。
- 端到端训练：直接预测未来时间步的值，无需显式分解。
2.3 优势
- 灵活性：通过模块化设计适应不同时间序列模式（如趋势、季节性、噪声）。
- 可解释性：可输出趋势、季节性等分解成分，便于分析。
- 计算效率高：相比RNN/LSTM，训练速度更快，适合短序列数据。
2.4 局限性
- 长序列建模能力有限：依赖局部模式，对长期依赖关系建模效果较弱。
- 数据量要求：对小样本数据泛化能力可能不足。
- 超参数敏感：模块数量、深度等超参数需仔细调优。
2.5 典型应用
- 金融领域：股票价格预测。
- 工业监控：设备传感器数据预测。
- 气象学：温度、降水量预测。
3. 对比与选择建议
复制
| 特性 | DeepAR | N-BEATS |
|---|---|---|
| 模型类型 | RNN（LSTM/GRU） | 全连接网络（MLP） |
| 预测类型 | 概率预测（均值+方差） | 确定性预测（可扩展为概率预测） |
| 多变量建模 | ✅ 支持 | ✅ 支持 |
| 可解释性 | ❌ 无 | ✅ 可输出趋势/季节性分解 |
| 长序列建模 | ✅ 适合长序列（>30步） | ❌ 适合短序列（<100步） |
| 计算资源 | 高（需GPU加速） | 低（CPU即可训练） |
| 典型场景 | 零售、能源（长序列+多变量） | 金融、工业（短序列+非线性模式） |
4. 实际应用建议
- 选择DeepAR ：
- 需要概率预测（如风险评估）。
- 数据为长序列（>30步）且多变量。
- 有充足计算资源（GPU）。
- 选择N-BEATS ：
- 需要可解释性（如分解趋势/季节性）。
- 数据为短序列或非线性模式复杂。
- 希望快速训练（低算力需求）。
5. 开源实现
- DeepAR ：
- 官方实现：Amazon SageMaker DeepAR。
- PyTorch实现：PyTorch Forecasting。
- N-BEATS ：
- 官方实现：Facebook N-BEATS。
- PyTorch/TensorFlow兼容库：Darts。
6. 总结
- DeepAR 是面向多变量、长序列的概率预测模型，适合需要不确定性估计的场景。
- N-BEATS 通过模块化设计灵活建模复杂模式，适合短序列和非线性数据，且可解释性更强。
- 两者均在工业界广泛应用，可根据具体任务需求选择模型。