长序列时间序列预测

概述

处理长序列历史数据并预测未来长时间范围的时间序列预测任务，是时间序列分析中的重要挑战。

关键内容

1. 定义与特点：
2. 输入长序列历史数据（数千甚至上万时间步）
3. 输出长序列未来预测（如预测未来几个月的用电量）

4. 需要捕捉长期依赖关系和全局模式

5. 技术挑战：

6. 计算复杂度高，内存需求大
7. 标准模型（如LSTM、RNN）难以有效处理

8. Transformer面临O(L^2)的注意力复杂度瓶颈

9. 解决方案演进：

10. 早期：LSTM、DeepAR、N-BEATS等模型
11. 2021年：Informer提出ProbSparse注意力等创新解决复杂度问题
12. 后续：Autoformer、FEDformer、Pyraformer等专门针对此任务设计

来源

• 15-informer-2021-transformer-time-series — Informer: 当 Transformer 叩开时间序列预测的大门
• [[]] —

相关

• Informer — relates_to
• 时间序列预测 — extends
• ProbSparse自注意力 — uses
• 自注意力蒸馏 — uses
• 生成式解码器 — uses