我最近读了一篇非常有趣的论文，叫做 Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case。
H. Zhao， J. Gao， T. Lan， C. Sun， B. Sapp， B. Varadarajan， Y. Shen， Y. Shen， Y. Chai， C. Schmid， C. Li， and D. Anguelov， “TNT: target-driven trajectory prediction，”CoRR， vol. abs/2008.08294， 2020. arXiv: 2008 . 08294. . Available:见原文链接.
#来点儿干货#前言iTransformer（inverted Transformer）是2023年10月清华大学和蚂蚁集团联合提出的时序预测模型，论文中指出iTransformer在众多时序数据集上超跃了所有其他算法达到SOTA，本文将对iTransformer做理论介绍，并且附
【新智元导读】最近，来自清华大学和蚂蚁集团的研究人员重新审视Transformer结构在时序分析中的应用，提出一个全新的反转视角——无需修改任何模块，即可实现Transformer在时序预测任务上的全面领先!
1- 金融，比如预测股票，纯用K线做，我个人不太推荐。RNN，一般来讲时序LLM，其实天然和RNN，LSTM这些玩意契合，因为有本身RNN就有时间步的概念，也能部分解决长距离依赖，缺点训练费劲，也做不大，要不咋干不过Transformer呢?
最初版本的Nbeats无法输入外部特征，后续的论文Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx在初版Nbeats基础上增加了引入外部特征的能力。
