【源头活水】GAN，没错，生成对抗网络也可以被用于时间序列预测

“问渠那得清如许，为有源头活水来”，通过前沿领域知识的学习，从其他研究领域得到启发，对研究问题的本质有更清晰的认识和理解，是自我提高的不竭源泉。为此，我们特别精选论文阅读笔记，开辟“源头活水”专栏，帮助你广泛而深入的阅读科研文献，敬请关注。

来源：知乎—夏明朗

地址：https://zhuanlan.zhihu.com/p/121771459

01

背景简介

GAN，generative adversarial networks，中文名生成对抗网络，由大名鼎鼎的Ian Goodfellow(花书的作者之一)于2014年提出，可以算是深度学习模型近些年发展过程中重要的模型之一。既然说到这里，顺便贴一张深度学习模型的重要进展梳理图，GAN能从众多工作中脱颖而出，一定是具有自己的独到之处。

图片来自2019年清华大学和中国工程院整理的《人工智能发展报告》

不了解GAN的小伙伴，可以去看台大李宏毅老师的GAN讲解。

接着说咱的老本行，时间序列预测常用的模型包括传统的ARMA，ARIMA模型，各种数据驱动模型(各种各样的机器学习模型，包括但不限于线性回归，支持向量机，随机森林和各种结构的神经网络模型等等)，近些年来随着深度学习的发展，卷积神经网络(CNN)，循环神经网网络(RNN,以LSTM应用最广)等模型被广泛应用于时间序列的预测。但是运用GAN实现时间序列预测的，很少见，下面我们就一起来看一篇2019年发表于IEEE Access的文章。

文章地址

https://arxiv.org/abs/1903.12549

鉴于大家可能都因疫情原因困在家中科研，文章在arXiv上也有预印版，我比较了一下，预印版和IEEE Access上发表的差别不大，如果大家想要发表版本但下载文献又不方便，请私信留邮箱就好。

下面进入文章的主要内容。

02

题目

题目：ForGAN，一种基于生成对抗网络的感官数据概率预测模型

03

摘要

摘要是文章核心点的浓缩，我们这里挑重要的说。动机：传统的预测模型使用均值回归的方法进行预测，而这类模型的特点是不能反映出真实数据中的波动。核心创新：提出一种基于GAN模型的单步的概率预测模型，起名叫ForGAN，其核心是使用了conditional GAN(条件生成对抗模型)。仿真实验：用Lorenz数据集，Mackey-Glass数据集和A5M数据集(一个交通流数据集)验证了所提算法的有效性。

说实话，我在读文章的时候并没有领悟到文中提到的均值回归预测(mean regression forecasting)和概率预测(probabilistic forecasting)的精髓，也就对ForGAN的优点和意义的理解存在些许偏差，这里叫不敢妄加评论了。但这不妨碍介绍GAN模型用于时间序列预测的过程。下面直接介绍文章的干货部分。

文中所提出的ForGAN实质上就是一种conditional GAN(条件GAN)，那么其进行时间序列预测的过程如下：

ForGAN的总体架构

生成器(Generator)详情

生成器的输入包含两部分：

时间序列片段(X0,....,Xt)和长度为N的噪声，输出的便是单步预测值Xt+1_prediction

鉴别器(Discrimination)

鉴别器的输入为时间序列片段(X0,....,Xt)和单步预测的标签Xt+1(这是真实观测数据)

生成器和鉴别器不停地对抗，实质上是让Xt+1_prediction不停接近真实值Xt+1的过程，从而实现了时间序列的预测。

04

总结

这是我第一次看到用条件GAN模型实现时间序列预测的模型，其实思路并不复杂，就是利用条件GAN的对抗模式，将预测值Xt+1_prediction不断逼近真实值Xt+1_real的过程。当然该模型完全可以实现多步预测，只需要将生成器的输出和判别器的标签换成(Xt+1,Xt+2,...,Xt+h)即可(h表示预测的步长)。

文中对ForGAN的动机和优点没有打动我，实验部分也没有说服我，在此我就不一一描述了。利用GAN进行时间序列预测，或许有蹭热点的嫌疑，但是作者的的确确提供了一个新的视角与思路，有兴趣的小伙伴不妨在经典条件GAN的基础上试一试，或许会有新的发现。

本文目的在于学术交流，并不代表本公众号赞同其观点或对其内容真实性负责，版权归原作者所有，如有侵权请告知删除。

“源头活水”历史文章

更多源头活水专栏文章，

请点击文章底部“阅读原文”查看

分享、在看，给个三连击呗！