[论文解读] NeuralProphet: Explainable Forecasting at Scale

Oskar Triebe, Hansika Hewamalage+4 more|arXiv (Cornell University)|Nov 29, 2021

Stock Market Forecasting Methods参考文献 7被引用 5

一句话总结

NeuralProphet 是一个基于 PyTorch 的混合预测框架，通过集成用于自回归和协变量的神经网络模块，扩展了 Facebook Prophet，实现了可扩展、可解释且准确的时间序列预测。在短期至中期预测范围内，其预测准确率相比 Prophet 提高了 55–92%，同时保留了 Prophet 的可解释性和用户友好性。

ABSTRACT

We introduce NeuralProphet, a successor to Facebook Prophet, which set an industry standard for explainable, scalable, and user-friendly forecasting frameworks. With the proliferation of time series data, explainable forecasting remains a challenging task for business and operational decision making. Hybrid solutions are needed to bridge the gap between interpretable classical methods and scalable deep learning models. We view Prophet as a precursor to such a solution. However, Prophet lacks local context, which is essential for forecasting the near-term future and is challenging to extend due to its Stan backend. NeuralProphet is a hybrid forecasting framework based on PyTorch and trained with standard deep learning methods, making it easy for developers to extend the framework. Local context is introduced with auto-regression and covariate modules, which can be configured as classical linear regression or as Neural Networks. Otherwise, NeuralProphet retains the design philosophy of Prophet and provides the same basic model components. Our results demonstrate that NeuralProphet produces interpretable forecast components of equivalent or superior quality to Prophet on a set of generated time series. NeuralProphet outperforms Prophet on a diverse collection of real-world datasets. For short to medium-term forecasts, NeuralProphet improves forecast accuracy by 55 to 92 percent.

研究动机与目标

• 解决工业应用中可解释的经典预测模型与可扩展的深度学习方法之间的差距。
• 克服 Prophet 因其 Stan 后端导致的局部上下文建模能力不足和可扩展性差的问题。
• 开发一种用户友好、可扩展且可解释的预测框架，支持线性和神经网络组件。
• 使实践者能够以最少的调参和领域专业知识，构建准确、可解释且可扩展的预测模型。
• 普及结合经典时间序列方法与深度学习优势的混合预测模型。

提出的方法

• NeuralProphet 基于 PyTorch 构建，支持使用标准深度学习优化方法（如小批量随机梯度下降）进行训练。
• 保留 Prophet 的核心组件——趋势、季节性和节假日，同时通过神经网络模块扩展自回归和协变量建模能力。
• 自回归模块通过滞后特征建模对过去观测的依赖关系，可配置为线性或多层神经网络。
• 协变量模块允许通过线性或神经网络变换对输入变量进行建模，支持非线性关系。
• 框架支持面板数据的全局建模和单个时间序列的独立建模，并支持自动超参数选择以提升易用性。
• 通过将预测分解为可加且可独立解释的组件（如趋势、季节性和协变量效应），保持模型可解释性。

实验结果

研究问题

• RQ1 混合预测框架能否结合经典模型的可解释性与深度学习的可扩展性和性能优势？
• RQ2 通过自回归和神经网络模块引入局部上下文后，预测准确率相比 Prophet 提升多少？
• RQ3 NeuralProphet 的性能在多大程度上对超参数选择（如滞后数或网络架构）敏感？
• RQ4 NeuralProphet 是否能在保持用户友好性和可解释性的同时，为专家用户提供高级自定义能力？
• RQ5 在哪些预测场景中，NeuralProphet 显著优于 Prophet，特别是在短期至中期预测中？

主要发现

• 在多种真实世界数据集上，NeuralProphet 在短期至中期预测范围内相比 Prophet 将预测误差降低了 55–92%。
• 在能源数据集上，120 滞后 NeuralProphet 模型将 1 步预测的 MASE 降低 96%，60 步预测降低 66%。
• 将自回归模块配置为 4 层、16 维度的神经网络在 15 和 60 步预测中优于线性模型，但在 1 或 3 步预测中未表现出优势。
• 120 滞后模型在具有强时间依赖性的数据集（尤其是能源和工业应用）中显著提升了性能。
• 在消融研究中，NeuralProphet 的性能对超参数选择具有鲁棒性，对滞后数或网络深度的变化不敏感。
• 对于具有强季节性但局部上下文弱的人体活动数据，线性模型在短时预测中表现更优，而神经网络模型在长时预测中表现更佳。