【NIPS 2021】时序精选论文05｜Autoformer: 基于深度分解架构和自相关机制的长期序列预测模型（代码解读附源码）

2021NIPS 时间序列预测

Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting

Autoformer要解决的问题

待预测的序列长度远远大于输入长度，即基于有限的信息预测更长远的未来。上述需求使得此预测问题极具挑战性，对于模型的预测能力及计算效率有着很强的要求。

以往处理方法的缺陷：

1. 长序列中的复杂时间模式使得注意力机制难以发现可靠的时序依赖；
2. Informer中采用的稀疏形式的注意力机制来应对二次复杂度的问题，但造成了信息利用的瓶颈。

Autoformer解决的方式