GCformer：一种用于准确可扩展的长期多变量时间序列预测的高效框架

Jun, 2023

GCformer：一种用于准确可扩展的长期多变量时间序列预测的高效框架

GCformer: An Efficient Framework for Accurate and Scalable Long-Term Multivariate Time Series Forecasting

YanJun Zhao, Ziqing Ma, Tian Zhou, Liang Sun, Mengni Ye...

TL;DRGCformer 能在处理长输入序列的同时，利用结构化全局卷积分支处理全局依赖关系并利用本地 Transformer 分支捕获近期的短时信号，该方法在六个基准数据集上实验表明 GCformer 的表现优于现有方法，尤其其全局卷积分支能够增强其他模型的性能，平均改进 31.93％。

Abstract

transformer-based models have emerged as promising tools for time series forecasting. However, these model cannot make accurate prediction for long input time series. On the one hand, they failed to capture global dependencies within time series data. On the other hand, the long input

transformer-based models time series forecasting gcformer global convolutional branch multivariate time series benchmarks

发现论文，激发创造

DGCformer：多元时间序列预测的深度图聚类 Transformer

该论文提出了一种深度图聚类变压器（DGCformer），用于多元时间序列预测。它通过图卷积网络和自编码器首先将相关变量进行分组，然后使用通道依赖策略处理每个变量组，而对不同组则使用通道独立策略。八个数据集上的广泛实验结果表明了我们方法相对于最先进模型的优越性，计算代码将在接受后公开。

May, 2024

时间建模转换器用于长期序列预测

通过将时间序列分成按天分割的小块，重新进行逐块方式处理并设计时间建模 Transformer-Dateformer，以提高 Transformers 模型的信息输入和输出并使模型能够全局分析时间序列，大幅提高了时间序列预测的准确性和半年的最大预测范围。

Jul, 2022

ForecastGrapher：用图神经网络重新定义多元时间序列预测

ForecastGrapher 是一个框架，将多变量时间序列预测重新构想为节点回归任务，通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力，引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性，通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。

May, 2024

Scaleformer: 迭代多尺度细化 Transformers 进行时间序列预测

本研究提出了一种通用的多尺度框架，可应用于当前最先进的基于 Transformer 的时间序列预测模型，通过多尺度共享权重迭代地改进预测的时间序列，引入架构适应和特殊设计的标准化方案，可在不增加过多计算负担的情况下，将性能从 5.5％提高到 38.5％，详细的消融研究表明了每个贡献在架构和方法上的有效性，进一步证明了所提出的改进优于其对应的基线模型，代码公开在此 https URL。

Jun, 2022

GenFormer：基于深度学习的多变量随机过程生成方法

提出了 GenFormer，一种用于生成时空多变量随机过程的随机生成器，利用基于 Transformer 的深度学习模型构建，能够保留目标统计特性。在具有大量空间位置和长时间模拟范围的挑战性应用中，GenFormer 模型生成的合成数据保留了目标边缘分布，并近似捕捉了其他期望的统计特性。将 GenFormer 模型应用于在佛罗里达州的各个站点模拟合成风速数据，计算风险管理的超越概率。

Feb, 2024

应用生成式预测改进长程时间序列预测

本文提出一种基于生成对抗网络及变换器的长期时间序列预测方法 (GenF), 证明其在预测方差和偏差上更加平衡，实验数据显示该方法在五个公共数据集上表现显著优于其他方法。

Dec, 2022

MultiResFormer：自适应多分辨率建模的转换器用于通用时间序列预测

提出一种名为 MultiResFormer 的基于 Transformer 的模型，通过自适应选择最佳的 patch 长度来动态建模时间序列的变化，并在长期预测任务中优于基于 patch 的 Transformer，同时使用比 CNN 基线更少的参数。

Nov, 2023

本研究介绍了一种名为 Autoformer 的时间序列长期预测模型，它采用了一种新颖的基于自动相关性机制的分解体系结构，用于处理复杂时间序列，取得了超过现有最优结果 38% 的相对改进。

Jun, 2021

Stecformer: 空间 - 时间编码叠加变换器用于多元长期时间序列预测

本研究提出了一种完整的解决方案，包括特征提取和目标预测，旨在解决多变量长期时间序列预测中的空间特征提取和不同预测时期的一致性问题。新的方法称为 “时空编码串联变压器（Stecformer）”，其采用高效的时空编码提取器和级联解码预测器来改善基线模型的性能，并在五个基准数据集上实现了与基线模型可比较的最先进性能。

May, 2023

DSformer：一种用于多变量时间序列长期预测的双抽样 Transformer

通过利用全局信息、局部信息和变量相关性，我们提出了一种双采样变压器（DSformer）模型，用于多元时间序列的长期预测，并且在九个真实数据集上的实验结果表明，DSformer 优于其他八种现有的基准模型。

Aug, 2023