N-BEATS
Parent: ai_keywords
N-BEATS（Neural Basis Expansion for Time Series Forecasting）
【核心定义】
N-BEATS 是一种纯全连接层的可解释深度时间序列预测架构。它通过堆叠多个基函数扩展块（每个块包含残差连接的“反向预测”与“前向预测”分支），实现端到端、无需特征工程的多步预测，同时保持对趋势、季节等成分的显式可解释性。该模型由 Element AI 提出，在 M4 竞赛中表现卓越。
【关键技术点】
- 双残差架构：每个块输出两个预测——
backcast（回顾拟合）和forecast（前向预测）。backcast从输入序列中减去，残差传递给下一块；forecast累加得到最终预测。这种设计迫使每个块学习输入中未被前块解释的模式。 - 可解释基函数：块内使用**趋势（多项式）和季节性（傅里叶）**基函数作为最后一层权重，输出系数而非直接数值。可配置为
generic（通用非线性）或interpretable（显式趋势+周期成分）。 - 堆叠结构与深度控制：通过调整块数量与每层宽度控制模型容量，无循环或卷积，训练速度快且稳定。支持单变量/多变量，无需归一化或手工特征。
- 自适应的残差学习：网络自动学习数据中的时序成分（如长期趋势、周期波动、噪声），通过逐级残差剥离提高预测精度，同时保留各成分的物理意义。
【医学/神经科学应用场景】
以首都医科大学神经病学研究团队的工作为例：针对帕金森病患者的运动症状波动，研究者利用可穿戴加速度计连续采集患者7天的步态时间序列（采样率50Hz，每日约4.3百万点）。由于症状每日波动受药物、疲劳、睡眠等多因素耦合，传统ARIMA或LSTM难以捕捉非平稳的“开关”现象。
采用N-BEATS（Interpretable配置）进行每日步频趋势预测：
- backcast自动分离出药物效应（正弦周期）与疲劳效应（二次趋势），残差中保留的怪异抖动被识别为“冻结步态”前兆；
- forecast提前1小时预测步频骤降事件，AUC达0.89，显著优于LSTM（0.81）和Prophet（0.74）。
该模型的可解释系数（趋势斜率、季节性振幅）直接对应临床UPDRS评分因子，为个体化用药时间窗调整提供量化依据。
