Informer｜时间序列研究之必读核心论文

之前主要是对真实的数字货币数据，进行基本的数据处理、分析、可视化，并基于light GBM进行了收益率的预测。两篇文章分享了源代码和数据集，但是还是比较侧重于实践。

所以从这篇开始，我也会同步记录自己阅读时间序列论文的笔记。但根据我的经验，由于相关论文太多，刚刚入坑的同学大多是不知道该从哪篇读起的，这是因为新手（包括我自己）往往对当前的研究的发展脉络是没有整体概念的。

这时候，理清整体发展脉络，找到重点论文，并跟踪到最新的研究进展就极其重要。我前期已经阅读了一些论文，包括（Transformer, Informer, Autoformer, Pyraformer, FEDformer, PatchTST,  Non-stationary Transformers, LTSF-Linear），这些论文多数是时间序列重要的baseline，我希望通过笔记有个很好的总结，并进行长期的更新，如能帮助大家则是更好。

Transformer｜NeurIPS17

Transformer 是开山之作，可是说在大多数研究领域，你都无法绕开它，在时间序列的领域也不例外。你会发现大量以研究“**former”命名的时序研究文章。Transformer的自注意力和多头注意力机制让表征特征的能力提升了一个台阶。但是，今天我们不关心它的优点，当把transformer直接应用到时间序列研究领域，我们发现它的效果并不好，事实上它有并不