预测领域的新篇章！时间序列与Transformer结合的研究，最新SOTA精准度至95.65%！

2024深度学习发论文&模型涨点之——transformer +时间序列

Transformer模型因其自注意力机制在处理序列数据方面表现出色，已被广泛应用于时间序列分析。它们能够捕捉长距离依赖关系，并处理大规模数据集，使得在时间序列预测和分类任务中取得了显著效果。

此外，Transformer模型也与其他技术结合，如LSTM，形成混合模型以增强对时间序列数据的处理能力。这种结合利用了LSTM的时序建模优势和Transformer的并行处理能力，进一步提升了模型在复杂时间序列任务中的表现。

如果有同学想发表相关论文，小编整理了一些transformer +时间序列 【论文代码】合集，以下放出部分，全部论文PDF版，需要的同学公重号【AI科研灵感】回复“transformer +时间序列 ”即可全部领取

论文精选

论文1：

A Convolutional Transformer Model for Multivariate Time Series Prediction

用于多变量时间序列预测的卷积变换模型

方法

1. 结合卷积神经网络（CNNs）的变换模型：提出了一个基于变换模型的多变量时间序列预测框架，该框架通过CNN提取输入数据的时间特征，并通过注意力机制解释变量之间的相关性。

2. 编码器和解码器结构：模型的编码器和解码器由自注意力层、逐点CNN层和一维CNN层组成，用于提取压缩的时空特征。

3. 位