本博客将介绍一种新的时间序列预测模型——FNet它通过使用傅里叶变换代替自注意力机制，旨在解决传统Transformer模型中的效率问题。FNet模型通过简单的线性变换，包括非参数化的傅里叶变换，来“混合”输入令牌，从而实现了快速且高效的处理方式。这种创新的方法在保持了相对较高的准确性的同时，显著提高了训练速度，特别是在处理长序列数据时更显优势。FNet的工作原理，并通过一个实战案例展示如何实现基于FNet的可视化结果和滚动长期预测。预测类型->多元预测、单元预测、长期预测。适用对象->受硬件所限制的时候，FNet是一种基于Transformer编码器架构的模型，通过替换自注意力子层为简单的线性变换，特别是傅里叶变换，来加速处理过程。FNet架构中的每一层由一个傅里叶混合子层和一个前馈子层组成(下图中的白色框)。傅里叶子层应用2D离散傅里叶变换(DFT)到其输入，一维DFT沿序列维度和隐藏维度。总结：FNet相对于传统的Transformer的改进其实就一点就是将注意力机制替换为傅里叶变换,所以其精度并没有提升(我觉得反而有下降,但是论文内相等，但是从我的实验角度结果分析精度是有下降的

本文给大家带来是DLinear模型，DLinear是一种用于时间序列预测（TSF）的简单架构，DLinear的核心思想是将时间序列分解为趋势和剩余序列，并分别使用两个单层线性网络对这两个序列进行建模以进行预测(值得一提的是DLinear的出现是为了挑战Transformer在实现序列预测中有效性)。本文的讲解内容包括：模型原理、数据集介绍、参数讲解、模型训练和预测、结果可视化、训练个人数据集，讲解顺序如下->预测类型->这个模型我在写的过程中为了节省大家训练自己数据集，我基本上把大部分的参数都写好了。我看论文的内容大比分都是对比实验，因为DLinear的产生就是为了质疑Transformer所以他和各种Transformer的模型进行对比试验，因为本篇文章就是DLinear的实战案例，对比的部分我就不讲了，大家有兴趣可以看看论文内容在最上面我已经提供了链接。 到此本文已经全部讲解完成了，希望能够帮助到大家，在这里也给大家推荐一些我其它的博客的时间序列实战案例讲解，其中有数据分析的讲解就是我前面提到的如何设置参数的分析博客，最后希望大家订阅我的专栏，本专栏均分文章均分98，并且免费阅读。

这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现

在之前的文章中我们已经讲过Informer模型了，但是呢官方的预测功能开发的很简陋只能设定固定长度去预测未来固定范围的值，当我们想要发表论文的时候往往这个预测功能是并不能满足的，所以我在官方代码的基础上增添了一个滚动长期预测的功能，这个功能就是指我们可以第一次预测未来24个时间段的值然后我们像模型中填补 24个值再次去预测未来24个时间段的值(填补功能我设置成自动的了无需大家手动填补)，这个功能可以说是很实用的，这样我们可以准确的评估固定时间段的值，当我们实际使用时可以设置自动爬取数据从而产生实际效用。本文修改内容完全为本人个人开发，创作不易所以如果能够帮助到大家希望大家给我的文章点点赞，同时可以关注本专栏(免费阅读)，本专栏持续复现各种的顶会内容，无论你想发顶会还是其它水平的论文都能够对你有所帮助。 时间序列预测在许多领域都是关键要素，在这些场景中，我们可以利用大量的时间序列历史数据来进行长期预测，即长序列时间序列预测（LSTF）。然而，现有方法大多设计用于短期问题，如预测48点或更少的数据。随着序列长度的增加，模型的预测能力受到挑战。例如，当预测长度超过48点时，LSTM网络的预测

大家好，最近在搞论文所以在研究各种论文的思想，这篇文章给大家带来的是TiDE模型由Goggle在2023.8年发布，其主要的核心思想是：基于多层感知机（MLP）构建的编码器-解码器架构，核心创新在于它结合了线性模型的简洁性和速度优势，同时能有效处理协变量和非线性依赖。论文中号称TiDE在长期时间序列预测基准测试中不仅表现匹敌甚至超越了先前的方法，而且在速度上比最好的基于Transformer的模型快5到10倍。在官方的开源代码中是并没有预测未来数据功能的，因为这种都是学术文章发表论文的时候只看测试集表现。我在自己的框架下给其补上了这一功能同时加上了绘图的功能，非常适合大家发表论文的适合拿来做对比模型。TiDE（时间序列密集编码器）模型是一个基于多层感知机（MLP）的编码器-解码器架构，旨在简化长期时间序列预测。该模型结合了线性模型的简单性和速度，同时能够有效处理协变量和非线性依赖。

重构背景值双变权GM (1, 1) 中长期预测模型构建.pdf

采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。 Long-Term Prediction of Vehicle Trajectory Based on a Deep Neural Network

千吨 某些与时间序列短期和长期预测有关的神经网络在keras中的实现。 主要思想是折叠时间序列数据集，以使同一列中的每一列具有多个“滞后”。 然后，我们使用滞后列来预测将来的列。 对于长期预测，我们将这些预测用作下一步的证据。 这旨在与我的高斯动态贝叶斯网络（ ）模型进行性能比较。 我想将我的GDBN模型与类似情况下的NN模型进行比较，并在此过程中创建一种“即插即用”的替代方案，以备将来需要时使用。 参考 延时神经网络： : 凯拉斯： ：//keras.io/

GRU-ARIMA时间序列预测 GRU和ARIMA模型用于时间序列预测，其中GRU可用于短期和长期预测。使用GRU和ARIMA模型进行时间序列预测，其中GRU可以进行短期预测和长期预测。

采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。