描述
LTSF-Linear 提供了在 AAAI-2023 上发表的研究论文 "Are Transformers Effective for Time Series Forecasting?" 的官方 PyTorch 实现。该存储库专注于一系列旨在解决长期时间序列预测 (LTSF) 挑战的线性模型，其性能优于基于 Transformer 的架构。
LTSF-Linear 系列包含三个核心模型：Linear、NLinear 和 DLinear。基础的 Linear 模型是一个单层线性模型，其性能令人惊讶地优于复杂的 Transformer。NLinear 通过归一化输入来处理训练集和测试集之间的分布偏移，从而提高性能。DLinear 将分解方案与线性层相结合，将数据分离为趋势和季节性分量，以实现更鲁棒的预测。
LTSF-Linear 的主要优势包括其 O(1) 最大信号遍历路径长度，能够有效捕捉短期和长期时间依赖性。这些模型效率极高，所需的内存更少，参数更少，并且推理速度比 Transformer 更快。此外，LTSF-Linear 模型具有可解释性，可以通过权重可视化来深入了解预测结果，并且易于使用，无需进行大量的超参数调优。
该存储库还作为 LTSF 的基准，支持单变量和多变量预测。它包含了几个著名的预测 Transformer（Transformer, Informer, Autoformer, Pyraformer, FEDformer）的实现，用于进行比较分析。提供了详细的脚本，用于各种实验设置，包括长期预测、查找窗口大小的影响以及嵌入策略。
该项目对于时间序列分析、机器学习和预测领域的研究人员和实践者来说非常有价值，他们正在寻找高效、可解释且高性能的长期预测解决方案。包含基准测试和比较实现使其成为评估预测模型的综合资源。
LTSF-Linear亮点
LTSF-Linear 模型的官方 PyTorch 实现
包含 Linear, NLinear 和 DLinear 模型
在长期时间序列预测中优于基于 Transformer 的方法
支持单变量和多变量预测
高效率，内存占用更低，推理速度更快
O(1) 最大信号遍历路径长度，用于依赖性捕捉
通过权重可视化实现可解释性
包含长期时间序列预测的基准测试
提供了 Transformer, Informer, Autoformer, Pyraformer, FEDformer 的实现
用于各种实验设置的脚本（长期预测，查找窗口研究）
易于使用，无需大量超参数调优
LTSF-Linear入门
设置环境：安装 Conda，创建虚拟环境并安装依赖项。
数据准备：下载基准数据集并将其放置在 './dataset' 目录下。
训练：在 './scripts' 目录中执行提供的 shell 脚本，以针对特定模型和数据集进行训练。
模型选择：在训练脚本中指定所需的模型（Linear, DLinear, NLinear）。
实验：利用脚本进行长期预测、查找窗口研究和嵌入策略实验。
可视化：运行权重绘图脚本以解释模型行为。
集成：为自定义时间序列预测任务调整训练和推理脚本。
LTSF-Linear的使用案例
- 长期预测
- 单变量预测
- 多变量预测
- 趋势和季节性分析
- 模型性能基准测试
- 可解释人工智能
