2020年后基于Transformer的提出的时序预测模型有哪些？按照提出时间排序

以下是2020年后基于Transformer的时序预测模型，按照提出时间排序：

1. Performer（2020年6月）：由Google Brain团队提出的一种新型Transformer模型，通过随机特征映射技术，大大降低了计算复杂度。Performer在语言建模、图像分类和时序预测等任务上均表现出色。

2. TimeSformer（2021年3月）：由Facebook AI Research提出的一种新型Transformer模型，专门用于视频时序预测任务。TimeSformer将视频帧序列视为一个时间序列，使用Transformer编码器来提取空间特征和时间特征，然后使用Transformer解码器进行时序预测。

3. ST-TNN（2021年5月）：由清华大学提出的一种新型Transformer模型，专门用于时间序列预测任务。ST-TNN使用空间Transformer和时间变换网络来提取空间和时间特征，然后使用Transformer解码器进行时序预测。

4. SETR（2021年6月）：由华为Noah's Ark实验室提出的一种新型Transformer模型，专门用于图像序列预测任务。SETR将图像序列看作一个时间序列，使用Transformer编码器提取空间特征和时间特征，然后使用Transformer解码器进行图像序列预测。

5. DALL-E 2（2021年7月）：由OpenAI提出的一种新型Transformer模型，可以生成多种类型的图像。DALL-E 2使用Transformer编码器来提取文本特征，然后使用Transformer解码器将文本特征转换为图像序列。

6. LSTM-Transformer（2021年8月）：由微软亚洲研究院提出的一种新型Transformer模型，专门用于时间序列预测任务。LSTM-Transformer将LSTM和Transformer结合起来，使用LSTM编码器提取时间特征，然后使用Transformer解码器进行时序预测。