NeuralForecast项目中时间序列外生回归任务的实现方案

在时间序列分析领域，外生回归（Extrinsic Regression）是一个重要的研究方向。Nixtla团队开发的NeuralForecast项目虽然主要聚焦于时间序列预测任务，但通过巧妙的方法也能支持外生回归场景的应用。

外生回归与时间序列预测的区别

传统时间序列预测主要利用目标变量的历史值来预测后续值，而外生回归任务则侧重于利用外部特征（exogenous features）来预测目标变量，不依赖于目标变量的历史数据。这种区别使得外生回归在以下场景特别有用：

• 当目标变量的历史数据不可得时
• 当外部特征与目标变量存在强相关性时
• 当需要建立纯特征驱动的预测模型时

NeuralForecast的解决方案

虽然NeuralForecast主要设计用于时间序列预测，但其NHITS模型可以通过特定配置实现外生回归功能。关键在于：

1. 排除历史数据影响：通过设置exclude_insample_y=True参数，模型将忽略目标变量的历史值
2. 专注外部特征：模型仅使用外生变量进行训练和预测
3. 保持序列结构：虽然不使用时序信息，但仍保持时间序列的输出格式

实际应用建议

对于需要实现纯外生回归的场景，建议：

1. 确保外部特征具有足够预测能力
2. 考虑特征工程增强外生变量的表达能力
3. 评估与传统回归方法的性能对比
4. 注意模型解释性可能受到影响

局限性与替代方案

需要注意的是，NeuralForecast并非专为外生回归设计，其核心优势仍在时间序列预测领域。对于纯回归任务，也可以考虑：

1. 传统机器学习回归模型
2. 深度学习回归框架
3. 专门设计的外生回归算法

总结

虽然NeuralForecast主要面向时间序列预测，但通过合理配置NHITS模型，开发者可以在需要时实现外生回归功能。这种灵活性扩展了工具的应用范围，为特定场景提供了有价值的解决方案。