2020年后提出的时间序列预测算法有哪些，具体说明

以下是一些2020年后提出的时间序列预测算法：

1. 2020年，Liu等人提出了Long-Short Dual-Attention Networks (LSDAN)模型，该模型使用双重自注意力机制来捕捉序列中的长期和短期依赖关系。

2. 2020年，Liu等人提出了Multi-Attentional Recurrent Neural Networks for Time Series (MARN)模型，该模型使用多个注意力机制来处理多元时间序列数据。

3. 2020年，Wang等人提出了Adaptive Attentional Residual Network (AARN)模型，该模型结合了残差网络和自适应注意力机制，可以自动选择重要的特征进行预测。

4. 2021年，Wang等人提出了Recurrent Longitudinal Network (RLN)模型，该模型使用递归神经网络来捕捉序列中的动态特征，并使用卷积神经网络来提取空间特征。

5. 2021年，Wang等人提出了Attentional Graph Convolutional Networks for Time Series Forecasting (AGCN)模型，该模型使用图卷积神经网络来建模序列之间的依赖关系，同时使用注意力机制来捕捉序列中的重要特征。

这些新算法在时间序列预测领域中有着广泛的应用和良好的表现，它们结合了深度学习技术和传统的时间序列预测方法，能够更好地处理长期依赖关系和多元时间序列数据。同时，这些算法也有着不同的特点和应用场景，需要根据实际情况选择合适的算法。

相关问题

2022年后提出的时间序列预测算法有哪些，具体说明

2022年后提出的时间序列预测算法有很多，以下是其中一些比较流行的算法：

1. Transformer-based Time Series Forecasting

这种算法采用了Transformer模型来进行时间序列预测。与传统的LSTM和GRU相比，Transformer在处理长序列数据时具有更好的效果。该算法通过自回归的方式进行预测，并且可以利用多层Transformer模型来提高预测精度。

2. DeepAR

DeepAR是Amazon开发的一种时间序列预测算法，它基于RNN模型，并且采用了门控循环单元（GRU）作为网络单元。该算法可以进行多步预测，并且可以利用多维时间序列数据进行预测。它还可以通过考虑外部因素来提高预测精度。

3. CNN-based Time Series Forecasting

这种算法采用了卷积神经网络（CNN）来进行时间序列预测。与传统的RNN相比，CNN可以更好地处理长序列数据，并且可以通过多通道卷积来考虑不同时间尺度的信息。该算法也可以通过堆叠多层CNN来提高预测精度。

总的来说，这些算法都是在传统的时间序列预测算法基础上进行了改进和创新，以提高预测精度和适应更加复杂的应用场景。

2018年后提出的时间序列预测算法有哪些，具体说明

近年来，随着深度学习技术的不断发展，时间序列预测领域也涌现出了一些新的算法。以下是一些2018年后提出的时间序列预测算法：

1. 2018年，Liang等人提出了Gated Recurrent Convolutional Neural Network (GRCNN)模型，该模型结合了门控循环神经网络和卷积神经网络，通过特定的门控机制来获取时序信息。

2. 2018年，Wang等人提出了Temporal Convolutional Networks (TCN)模型，该模型使用一维卷积神经网络来捕捉序列中的长期依赖关系，可以应用于多步预测和缺失值插值等任务。

3. 2019年，Wu等人提出了Multivariate Multi-Step Time Series Forecasting with Missing Values (MMTSF-MV)模型，该模型使用门控循环神经网络和自注意力机制来预测多元时间序列数据，能够处理缺失值的情况。

4. 2019年，Gao等人提出了Deep Factorization Machine (DeepFM)模型，该模型结合了因子分解机和深度神经网络，可以处理多维时间序列数据和非线性关系。

5. 2020年，Wang等人提出了Deep Transformer Models for Time Series Forecasting (DTMTS)模型，该模型使用Transformer结构来建模序列之间的依赖关系，同时使用自回归和多步预测方法来提高预测准确度。

这些新算法在时间序列预测领域中有着广泛的应用和良好的表现，它们结合了深度学习技术和传统的时间序列预测方法，能够更好地处理长期依赖关系和多元时间序列数据。