适用于时间序列预测的transformer变种或者informer变种有哪些？列出开源的变种

适用于时间序列预测的 Transformer 变种或 Informer 变种如下：

1. ST-Transformer: 一种用于多变量时间序列预测的 Transformer 变种，它在编码器中使用了空间注意力机制，可以处理多个时间序列的不同特征。

2. TST: 一种基于 Transformer 的时间序列预测模型，使用了多头自注意力机制和残差连接，可以建模长期依赖关系和非线性关系。

3. DCRNN: 一种结合了卷积和递归神经网络的模型，用于城市交通预测任务。该模型使用了类似于 Transformer 的编码器和解码器，并使用了多头注意力机制。

4. Informer: 一种用于多步时间序列预测任务的模型，使用了多头自注意力机制和多尺度卷积神经网络，可以处理长期和短期的时间依赖关系。

这些变种都是针对时间序列预测任务进行了优化和改进的变种，它们在原始的 Transformer 或 Informer 模型的基础上，增加了一些特定的机制和模块，以适应时间序列预测任务的特殊性质。

这些变种都是开源的，可以在 GitHub 上找到相应的代码和实现。例如，TST 的 PyTorch 实现可以在 https://github.com/sktime/tstransformers 找到。Informer 的 TensorFlow 实现可以在 https://github.com/zhouhaoyi/Informer2020 找到。