NBEATSx：融入外生变量的神经基底扩张分析

项目介绍

NBEATSx 是一种扩展自 NBEATS 模型的深度学习方法，它引入了对外生变量的支持。该模型优化了原始 NBEATS 的性能，通过整合外生因素，提升了对多种信息来源的处理能力。特别是在电力价格预测（Electricity Price Forecasting, EPF）领域，NBEATSx 展示了其卓越的表现，相比于原版 NBEATS，预测精度提高了近20%，在与其他专为此类任务设计的统计学及机器学习方法相比，其准确性也提升了最多5%。模型的结构允许时间序列的可解释性分解，揭示趋势、季节性成分以及与外生因素相互作用的影响。

项目快速启动

要迅速开始使用 NBEATSx，您首先需要从 GitHub 克隆项目仓库：

git clone https://github.com/cchallu/nbeatsx.git
cd nbeatsx

确保您的环境中已安装必要的 Python 库，如 TensorFlow 或 PyTorch（具体要求请参照项目的 requirements.txt）。随后，您可以运行一个预置的实验来体验 NBEATSx 的功能：

python src/hyperopt_nbeatsx.py --dataset 'NP' --space "nbeats_x" --data_augmentation 0 --random_validation 0 --n_val_weeks 52 --hyperopt_iters 1500 --experiment_id "nbeatsx_0_0"

此命令将使用特定的配置参数进行实验，以复制论文中的结果，尤其是在 Nord Pool 市场的预测。

应用案例与最佳实践

电力价格预测

NBEATSx 在电力价格预测中展现了其强大效能。以 Nord Pool 市场为例，通过集成外部市场数据、天气状况等外生变量，模型可以提供更精准的短期及长期价格预测。为了达到最优效果，推荐进行特征选择，确保所选外生变量与目标序列高度相关，并利用模型的灵活性调整超参数以适应不同的市场环境。

数据预处理建议

• 清洗与标准化: 对输入数据执行去噪和归一化操作，确保模型训练的一致性和效率。
• 时间序列分段: 划分训练集、验证集和测试集时，保持时间顺序不变，避免数据泄露。
• 外生数据同步: 确保所有外生变量与目标序列的时间戳匹配，必要时进行插值或延迟调整。

典型生态项目

虽然本项目专注于 NBEATSx 的实现及其在电力价格预测上的应用，但类似的深度学习框架和技术可以应用于广泛的领域，包括但不限于：

• 股票市场价格预测
• 气候变化数据分析
• 零售业需求预测
• 基础设施维护管理

开发者可以基于 NBEATSx 的基础架构，探索更多外生变量融合的可能性，构建面向特定行业或领域的预测解决方案。此外，参与开源社区的讨论和贡献，比如在 GitHub 上的问题跟踪和Pull Requests，是促进这一技术生态发展的关键途径。

以上教程提供了 NBEATSx 开源项目的入门指导，希望这能帮助到希望了解和应用该模型的开发者们。请注意持续关注项目更新和社区动态，以获取最新的发展资讯和最佳实践。