超级会员免费看
本文探讨了Transformer在长期时间序列预测（LTSF）中的效果，指出自注意力机制可能导致时间信息丢失。提出LTSF-Linear，一个简单的线性模型作为新基线，它在多个基准数据集上超越了复杂的Transformer模型，尤其在趋势和周期明显的时间序列中。研究表明，Transformer的预测误差并不随回望窗口增大而减少，而LTSF-Linear通过直接多步预测策略提供更准确的结果。
| 长序列预测论文LTSF-Linear解读&实战 |
文章目录
- 论文代码Github链接：https://arxiv.org/pdf/2205.13504.pdf
- 论文代码Github链接：https://github.com/cure-lab/LTSF-Linear
一. 引言
- Transformer的主要能力来自其多头的自注意机制，该机制具有提取长序列元素之间语义相关性的显著能力(例如文本中的单词或图像中的2D补丁)。然而，在某种程度上，自注意力计算是一种排列不规则(permutation-invariant)和“反秩序”(anti-orde
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
