Informer：Are Transformers Effective for Time Series Forecasting?论文阅读心得

概括

《Are Transformers Effective for Time Series Forecasting?》是由 Sasha H. Zohren, Markus L. L. Luebke, Yan Liu 和 Dengyong Zhou 等人于 2021 年发表的论文，主要讨论了 Transformer 模型是否适用于时间序列预测问题。论文中系统地评估了 Transformer 在时间序列任务中的表现，并与传统的时间序列预测方法进行了对比。

主要流程：

分解季节性和趋势成分分解季节性和趋势成分，使用series_decomp方法

如果 individual=True，则每个通道都会有一个独立的季节性和趋势性线性层（通过 self.Linear_Seasonal[i] 和 self.Linear_Trend[i]）。seasonal_output 和 trend_output 的形状是 [Batch, Channels, Pred_len]，其中 Pred_len 是预测的时间步长。在循环中，针对每个通道 (i)，分别应用对应的线性层，生成季节性和趋势性输出。

如果individual=False，则季节性和趋势性部分共享相同的线性层（即 self.Linear_Seasonal 和 self.Linear_Trend 分别作用于所有通道）。seasonal_output 和 trend_output 的形状是 [Batch, Channels, Pred_len]。

合并季节性和趋势性成分

返回最终结果并调整维度顺序

主要内容：

nn.ModuleList():

这里使用 ModuleList() 是为了确保每个通道（channel）都有一个独立的线性层。ModuleList() 是 PyTorch 提供的一个容器，能够管理多个子模块（例如线性层），并确保它们正确地注册到模型中。

对于每个通道：

• nn.Linear(self.seq_len, self.pred_len): 为每个通道