13、时间序列预测的高级深度学习架构

时间序列预测的高级深度学习架构

1. 可解释的N - BEATS预测

1.1 N - BEATS工作原理

N - BEATS基于两个主要组件：
- 双重残差连接栈：涉及预测和反向预测。反向预测指重建时间序列的过去值，它能促使模型从两个方向理解时间序列结构，从而学习更好的数据表示。
- 深度密集连接层栈：这两个组件的结合使模型兼具高预测精度和可解释性。

1.2 模型训练、评估和使用流程

模型的训练、评估和使用工作流程遵循PyTorch Lightning提供的框架，具体步骤如下：
1. 数据准备 ：数据准备逻辑在数据模块组件中开发，特别是在 setup() 函数内。
2. 建模阶段 ：
- 定义N - BEATS模型架构：使用 from_dataset() 方法根据输入数据直接创建NBeats实例。
- 定义训练过程逻辑：在 Trainer 实例中定义训练过程逻辑，包括所需的回调函数。部分回调函数（如提前停止）会将模型的最佳版本保存到本地文件，训练后可加载使用。

代码示例：

from lightning.pytorch.tuner import Tuner
import lightning.pytorch as pl
from pytorch_forecasting import NBeats

# 假设datamodule已定义