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。