Github
论文项目介绍：LTSF-Linear
LTSF-Linear是一个专注于时间序列预测的机器学习项目，旨在探讨转换器（Transformers）在时间序列预测任务中的有效性。该项目的实现基于Pytorch，并发表在2023年的AAAI会议上。这一项目不仅提出了一种新的线性模型，还提供了一些重要特性和比较实验，使得时间序列预测变得更加有效和易于实现。
主要更新
- 项目被合并到NeuralForecast中：我们的LTSF-Linear模型被合并到NeuralForecast库中，很感谢对此有贡献的开发者。
- AAAI 2023接收论文：项目被接受到2023年AAAI会议中，并提供了一个长时间序列预测的基准。
- 模型家族扩展：在基础模型DLinear的基础上，我们加入了两个新的线性模型，使得模型家族更为丰富。
- 脚本更新：我们更新了与LTSF-Linear模型相关的脚本，使得Linear、NLinear和DLinear使用相同的脚本。
特性与功能
- 提供长时间序列预测的基准。
- 支持单变量和多变量的长时间序列预测。
- 支持权重可视化，帮助理解预测结果。
- 支持不同的回溯窗口大小调整，以适应不同的预测需求。
LTSF-Linear 模型家族
LTSF-Linear家族是由简单线性层组成的模型群，主要包括以下几种：
- Linear：一个简单的单层线性模型，其性能超越了许多转换器模型。
- NLinear：为了提升在数据分布变化时的预测能力，NLinear采用了输入归一化的方法，通过减去输入序列的最后一个值来进行预测。
- DLinear：结合了Autoformer和FEDformer中的分解方案，将数据分解为趋势和季节性两个部分，从而提升单层线性模型在数据具有明显趋势时的预测效果。
高效性与对比研究
与传统的转换器模型相比，LTSF-Linear表现出极高的效率，其内存使用和参数数量更少，推断速度也更快。此外，LTSF-Linear的权重可视化功能使得模型的预测过程更具解释性和透明性。
实验与实现
- 对于长时间序列预测任务，LTSF-Linear模型提供了相应的实验脚本。在这些实验中，LTSF-Linear展示了其在处理多种时间序列数据集时的强大性能。
- 项目还包含多种转换器模型，如Transformer, Informer, Autoformer, Pyraformer和FEDformer的实现，以供对比研究。
开始使用
用户可以通过设置Conda环境和安装依赖，快速开始使用这个项目。数据集的准备和模型的训练都提供了详细的步骤，方便用户复现实验或者进行自己的研究工作。
通过LTSF-Linear，研究人员和开发者能够更好地理解和应用时间序列预测技术，从而在多种实际应用中获取更好的结果。
