transformer做时序预测

Transformer在时序预测中有一些特点和挑战。时间序列具有自相关性或周期性，而且预测任务可能涉及到周期非常长的序列。这些特点给Transformer在时序预测中的应用带来了新的挑战。为了解决这些问题，研究者们提出了一些改进的Transformer模型。

一种改进的方法是将Transformer和seasonal-trend decomposition相结合。传统的Transformer在预测每个时间点时是独立的利用attention进行预测，可能会忽略时间序列整体的属性。为了解决这个问题，一种方法是在基础的Transformer中引入seasonal-trend decomposition。另一种方法是引入傅里叶变换，在频域使用Transformer，帮助Transformer更好地学习全局信息。这些方法可以提高Transformer在时序预测中的性能和准确性。\[2\]

此外，还有一篇综述类文章《Transformers in Time Series: A Survey》介绍了Transformer在时间序列中的应用。这篇文章发表于2022年，比较新，可以给大家提供更全面的了解和参考。\[3\]
#### 引用[.reference_title]
- *1* *2* *3* [如何搭建适合时间序列预测的Transformer模型？](https://blog.csdn.net/qq_33431368/article/details/124811340)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]