一、要解决的问题
二、提出
1.我们提出了Autoformer作为一种分解架构,通过嵌入序列分解块作为内部算子,它可以从中间预测中逐步聚合长期趋势部分。
2.此外,我们设计了一种高效的自相关机制,在序列级别上进行相关性发现和信息聚合,这与以前的自注意家族形成了鲜明的对比
三、模型
Series Decomp Block
Series Decomp Block使用传统的decomposition操作可以将序列分解为trend-cyclical和seasonal parts两个部分,这两个一个是可以反应短期的波动,另一个则反应长期的季节性
原文:
We take the idea of decomposition, which can separate the series into trend-cyclical and seasonal parts. These two parts reflect the long-term progression and the seasonality of the series respectively.
Model inputs
encoder输入是过去I个时间序列长度,为什么decoder输入是过去I/2个时间长度+O个未来长度
Encoder
Decoder
Auto-Correlation Mechanism
补充:自相关
自相关(Auto-Correlation)是时间序列分析中一种重要的统计工具,用于检测序列中的自身相关性。它衡量了时间序列中每个观测值与其自身滞后(延迟)版本之间的相关程度。自相关可以帮助我们理解序列中是否存在某种重复模式或周期性,并可以用于识别时间序列中的周期性和趋势。