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。
为此，Google宣布发表在International Journal of Forecasting 上的“用于可解释多水平时间序列预测的时间融合变换器”，Google在其中提出了时间融合变换器 ，一种基于注意力的 DNN 模型，用于多水平预测. TFT 旨在将模型与通用多水平预测任务明确对齐，以实现卓越的准确性和可解释性，Google在各种用例中展示了这一点。
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 .
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。
多重线性回归模型（Mulitiple Linear Regression）是指包含一个因变量和多个自变量的回归模型，而多元线性回归（Multivariate Linear Regression）是指包含两个或两个以上因变量的回归模型。
