目录 效果一览基本介绍程序设计参考资料 效果一览 基本介绍 DLinear+PatchTST多变量时间序列 dlinear,patchtst python代码，pytorch架构 适合功率预测，风电光伏预测，负荷预测，流量预测，浓度预测，机械领域预测等等各种时间序列预测。 Patchest是2023年发表了一个新的模型，它在时间序列分析的多个任务中实现了最先进的结果

一、要解决的问题： （1）虽然采用位置编码和使用标记在Transformer中嵌入子序列有助于保留一些排序信息，但置换不变自注意机制的性质不可避免地导致时间信息丢失。 +我们不是对时间点感兴趣，而是对时间点之间的变化感兴趣 ➡️Transformer对长时间序列预测还有效果吗 （2）iterated multi-step (IMS) forecasting：基于Transformer的长序

前言 今年发布8月份发布的一篇有关长时间序列预测（SOTA）的文章，DLinear、NLinear在常用9大数据集（包括ETTh1、ETTh2、ETTm1、ETTm2、Traffic等）上MSE最低，模型单变量、多变量实验数据： 在计算资源与效率上，DLinear模型时间复杂度为O(L)，且模型非常小巧，下面为其他Transformer时间预测模型计算资源与效率： 论文下载：Are