N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting
神经预测的最新进展加速了大规模预测系统性能的提高。然而，长期预测仍然是一项非常困难的任务。影响这项任务的两个常见挑战是预测的波动性和它们的计算复杂性。本文提出N-HiTS，一种通过结合新的分层插值和多率数据采样技术来解决这两个挑战的模型。这些技术使所提出的方法能够依次组装其预测，强调具有不同频率和尺度的分量，同时分解输入信号并合成预测。本文证明了分层插值技术可以在平滑存在的情况下有效地近似任意长的视域。从长期预测文献中进行了广泛的大规模数据集实验，证明了所提出方法与最先进的方法相比的优势，其中N-HiTS比最新的Transformer架构提供了16%的平均精度提高，同时将计算时间减少了一个数量级(50倍)。
图1说明了在全连接架构电力消耗预测的情况下，预测误差和计算成本如何随着预测范围的增加而急剧膨胀。尽管这项研究已经导致了计算成本和精度的增量改进，但还没有找到长期预测解决方案的银弹。本文在这个方向上迈出了大胆的一步，开发了一种新的预测方法，将长期计算成本降低了一个数量级，同时与现有的最先进的基于transformer的技术相比，在大量多变量预测数据集上提供了16%的精度提高。