三种最新深度学习时间序列预测方法（学起来发顶刊！）

文章预览

三种时间序列深度学习预测模型 在时间序列预测领域，模型的架构通常依赖于多层感知器（MLP）或Transformer架构。 总体而言，大概有三种时间序列的模型： 基于 MLP 的模型，如N-HiTS、TiDE和TSMixer，可以实现非常好的预测性能，同时保持快速训练。 基于Transformer的模型，如PatchTST和iTransformer也取得了良好的性能，但内存消耗更大，需要更多的时间来训练。 基于CNN的模型，CNN 已应用于计算机视觉，但其在预测方面的应用仍然很少，只有TimesNet和BiTCN是最新的例子。 本文提供一个三种模型的对比代码。 首先简短介绍下这些模型： N-HiTS （2023 AAAI）N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting 这是基于MLP的模型 随着预测长度（Horizon）的增加，NBEATS的速度变慢、参数量变多，而本文提出的N-HiTs则缓解了这两个问题。随着预测长度（Horizon）的增加，NBE ………………………………