#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
Makridakis et al.， The M5 Accuracy competition: Results， findings and conclusions，D. Salinas et al.， DeepAR: Probabilistic forecasting with autoregressive recurrent networks， International Journal of Forecasting .
时间序列预测是一项挑战性的任务，它需要对历史数据进行统计分析和建模，以便预测未来的趋势。在许多领域中，如金融、经济、流行病学、能源等，时间序列预测都扮演着至关重要的角色。本文将介绍当前主流的时间序列预测方法，包括指数平滑模型、神经网络模型和VAR模型等。
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。
在计算机视觉 和自然语言处理 领域，基础大模型已经展现了强大的能力。论文题目: 《Unified Training of Universal Time Series Forecasting Transformers 》地址链接: 见原文链接。
