为了应对时间序列数据的长期和短期相关性，我们引入了一种新颖的时间序列轻量级适应网络（TSLANet），它是一种用于不同时间序列任务的通用卷积模型。我们通过引入自适应阈值、傅里叶分析和自我监督学习来增强特征表示、捕捉长期和短期交互并减少噪声。我们的实验证明，TSLANet 在分类、预测和异常检测等各种任务中表现优于现有模型，展示了其在不同噪声水平和数据规模下的稳健性和适应性。

Apr, 2024

基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测，能够有效地学习和提取交通流的复杂趋势和周期特征，实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。

Mar, 2024

通过将自适应图卷积网络集成到各种空间时序预测模型中，以解决多维预测中维度之间的关系难以捕捉的问题，并进行了多个数据集的实验测试，证明我们的建议框架在模型中引入后，其准确率提高了约 10%。

May, 2022

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

本文提出了通过使用卷积神经网络和 Transformers 来捕捉时间序列中的短期和长期依赖，并用于预测股票价格变化，与传统的统计和深度学习方法相比，实验结果表明该方法取得了成功。

Apr, 2023

本研究探索了带门控的 Transformer Networks 的时间序列分类问题，我们展示了 GTN 在多元时间序列分类任务上的自然有效性，并且在 13 个数据集上进行了实验证明 GTN 可以达到具有竞争力的结果。我们还探究了 GTN 的注意力图以提高时间序列建模的自然解释性。

Mar, 2021

本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型，提出了一种有效的基于 Transformer 的模型 Conformer，采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率，并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制，实验表明 Conformer 模型在 LTTF 中优于现有的方法，并可生成可靠的预测结果与不确定性量化。

Jan, 2023

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

本文研究通过提出一种快速的 Transformer 网络来预测交通流量，该网络能够准确地捕捉交通数据中的复杂时空依赖关系，同时大大降低了计算时间和计算资源的要求。

Mar, 2023

本文提出了一种基于 Transformer 的多元时间序列预测和自我监督表征学习的有效设计，它基于两个关键组件：时间序列划分为子序列级别的片段，这些片段作为输入标记传递给 Transformer；通道独立性，其中每个通道包含一个单变量时间序列，其在所有系列中共享相同的嵌入和 Transformer 权重。PatchTST 可以显著提高长期预测准确性，超越 SOTA Transformer-based models，并在自我监督预训练任务中实现出色的微调性能。

Nov, 2022