Patch TST发表于ICLR23，其优势在于保留了局部语义信息；更低的计算和内存使用量；模型可以关注更长的历史信息，Patch TST显著提高了时序预测的准确性，Patch可以说已成为时序模型的基本操作。我在先前的一篇文章对Patch TST做...
我是从去年11月份开始，选定时间序列预测这个方向，准备在工作之余继续独立进行一些科学研究。选定这个方向是因为我对金融量化一直挺感兴趣，希望能把时间序列中的深度学习算法模型，用到金融数据。现在看来，我太过于理想化了...
在本篇文章，我们基于pytorch框架，构造了LSTM模型进行天气预测，并对数据进行了可视化分析，非常值得入门学习。该数据集提供了2013年1月1日至2017年4月24日在印度德里市的数据。其中包含的4个参数是平均温度（meantemp）、湿度（h...
多尺度是时序研究必须要考虑的问题。一方面，不同特征的周期模式有长有短，需要用不同尺度进行刻画。另一方面，尺度越小越精细，计算越复杂；尺度越大越粗糙，相应计算量减少，这又涉及到如何平衡的问题。...
论文标题：RETHINKING CHANNEL DEPENDENCE FOR MULTIVARIATE TIME SERIES FORECASTING: LEARNING FROM LEADING INDICATORS
论文标题：TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
论文标题：TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods
论文标题：FITS: Modeling Time Series with 10k Parameters
论文标题：FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting
论文标题：iCROSSFORMER : TRANSFORMER UTILIZING CROSS DIMENSION DEPENDENCY FOR MULTIVARIATE TIME SERIES FORECASTING
