TiDE时间序列模型预测(Long-term Forecasting with TiDE: Time-series Dense Encoder)

时间序列预测，广泛用于能源、金融、交通等诸多行业，传统的统计模型，例如ARIMA、GARCH等因其简单高效而被广泛使用，近年来，随着深度学习的兴起，基于神经网络的预测模型也备受关注，表现出强大的预测能力。

ARIMA（自回归积分滑动平均模型 Autoregressive integrated moving average model）特别适用于显示出明显线性趋势或季节性模式的数据序列。

结合了自回归（AR）、差分（I）和移动平均（MA）三个部分，主要用于分析和预测具有时间依赖的数据序列。

1、自回归：表明当前的时间序列值可以表示为前一期或多期的函数，即时间序列的当前值与其过去值之间存在线性关系。

2、差分：是为了使非平稳时间序列变为平稳序列的处理方法，通过对原始数据进行一次或多次差分，消除数据的季节性和趋势性，从而稳定序列的方差和均值。

3、移动平均：涉及将模型的误差项表达为观测点的线性组合，可以帮助模型更好地适应时间序列中的随机波动。

GARCH（广义自回归条件异方差模型 Generalized Autoergressive Conditional Heteroskedasticity Model）

一种用于分析时间序列数据中波动性的模型，特别是在金融时间序列中，该模型能够捕捉到时间序列的波动性的自回归和条件异方差性，从而更好地描述和预测金融资产的波动率。

协变量

协变量是指与时间序列值相关联的其他变量，它们可以提供额外的信息，帮助模型更好地进行预测。协变量可以分为两类：

1、静态协变量：这些协变量不随时间变化

例如：产品特征：零售数据中的产品类别、品牌、价格等

           地理特征：交通数据中道路类型、天气数据中的城市名称等

           其他：零售数据中的商店ID、交通数据中的路线ID等

2、动态协变量：这些协变量随时间变化

例如：天气数据中的温度、湿度、风速等

           交通数据中的交通流量、事故信息等

           零售数据中的促销信息、叫假日信息等

transformer模型因其出色的捕