为解决传统时间序列预测方法在处理复杂和非线性问题上的局限性，研究者们致力于探索深度学习的方法。
目前，用深度学习做时间序列预测主要有4大创新方向：基于MLP、基于Transformer、基于CNN以及基于RNN。这些深度学习模型通过端到端学习直接生成预测，简化流程提高效率。它们能够处理高维数据，并通过大数据训练提升预测精度和适应性，为时序预测提供了新颖而强大的解决方案，也因此成为了学术研究和发表论文的热门领域。
本文介绍深度学习时序预测这4大创新方向，每个方向都附有代表论文以及代码（共22篇），方便同学们理解学习以及复现。
扫码添加小享，回复“时序大方向”
免费获取全部论文+开源代码
基于MLP的模型
使用多层感知器来自动学习和提取时间序列数据的特征，适用于捕捉复杂模式并进行预测，但可能需要结合其他技术以更好地处理时间依赖性。
代表论文：Long-term Forecasting with TiDE: Time-series Dense Encoder
方法：本文介绍了一种简单且高效的多层感知器（MLP）架构，称为时间序列稠密编码器（TiDE），用于长期时间序列预测。TiDE模型通过使用密集的MLP对时间序列的过去和协变量进行编码，并使用密集的MLP对时间序列和未来协变量进行解码。
创新点：
- 提出了一种简单的基于多层感知机（MLP）的编码器-解码器模型，称为TiDE，用于长期时间序列预测。TiDE模型在流行的长期时间序列预测基准测试中表现优秀，性能优于现有的神经网络模型，同时比最佳Transformer模型快5-10倍。
- 分析了模型的一个简化的线性模拟，并证明在某些条件下，这个线性模型对于线性动力系统（LDS）的预测可以达到近乎最优的误差率。
- 在流行的真实世界长期时间序列预测基准测试中，该模型在与先前的神经网络基线模型相比实现了更好或相似的性能（最大数据集的均方误差降低了超过10%）。
基于Transformer的模型
利用自注意力机制捕捉长期依赖性，通过编码器-解码器架构处理历史数据并生成预测，同时应用位置编码和掩蔽技术以确保准确性，适合处理复杂的时间序列数据。
代表论文：iTransformer: Inverted Transformers Are Effective for Time Series Forecasting
方法：论文提出了iTransformer，它是一种基于Transformer的时间序列预测模型，通过反转Transformer的结构，在变量维度上应用注意力机制和在时间维度上应用前馈网络，以捕捉多变量之间的相关性和学习序列表示。
创新点：
- iTransformer采用了将独立的时间序列作为变量标记来捕捉多变量之间的相关性，同时利用层归一化和前馈网络来学习系列表示。
- iTransformer的性能优于其他Transformer变体，这证明了在倒置结构中应用的注意力和前馈网络模块可以显著提升Transformer在多变量时间序列预测中的性能。
扫码添加小享，回复“时序大方向”
免费获取全部论文+开源代码
基于CNN的模型
通过利用CNN强大的特征提取能力来捕捉时间序列数据中的模式和趋势，通常与其他模型比如RNN结合，以增强对时间依赖关系的处理，提升预测的准确性。
代表论文：TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis
方法：论文提出了一种名为TimesNet的时间序列分析模型，旨在解决时间序列中复杂的时间变化建模问题。通过观察时间序列的多周期性，将复杂的时间变化分解为多个周期内和周期间的变化。为了克服一维时间序列在表示能力上的限制，将时间变化分析扩展到二维空间，将一维时间序列转换为一组二维张量，通过二维卷积核来建模二维变化。
创新点：
- 通过将1D时间序列转化为一组2D张量，将复杂的时间变化嵌入到2D张量的列和行中，使得2D变化可以通过2D卷积核轻松建模。
- TimesNet作为一个通用的时间序列分析基础模型，通过模块化的架构和参数高效的inception块，可以捕捉到多尺度的时间2D变化。
- TimesNet在五个主流的时间序列分析任务中取得了一致的最先进结果，包括短期和长期预测、插补、分类和异常检测。
基于RNN的模型
利用其内部记忆和参数共享机制来捕捉时间依赖性，尤其适合处理时间序列数据，常与其他模型结合以提升预测性能。
代表论文：SegRNN: Segment Recurrent Neural Network for Long-Term Time Series Forecasting
方法：论文提出一种新的时间序列预测方法，即SegRNN，以解决递归预测的局限性，并通过引入并行多步预测策略（PMF）来改善模型的性能和推理速度。该方法使用简单的样本归一化策略和平均绝对误差作为损失函数，并以GRU作为示例来说明SegRNN的架构和性能。
创新点：
- 引入了SegRNN模型，该模型在长期时间序列预测中表现出卓越的性能，超过了其他基线模型和当前的SOTA transformer-based模型。
- SegRNN在ETT和Weather数据集上表现出色，几乎在所有指标上超过了SOTA性能。
- 即使在电力和交通等大规模数据集中，SegRNN的性能也与竞争模型相比具有竞争力或更好的表现。
扫码添加小享，回复“时序大方向”
免费获取全部论文+开源代码
