【论文阅读】基于深度学习的时序预测——Non-stationary Transformers_non-stationary transformers github

系列文章链接
论文一：2020 Informer：长时序数据预测
论文二：2021 Autoformer：长序列数据预测
论文三：2022 FEDformer：长序列数据预测
论文四：2022 Non-Stationary Transformers：非平稳性时序预测
论文五：2022 Pyraformer：基于金字塔图结构的时序预测
论文六：2023 Crossformer：多变量时序预测
论文七：2023 LTSF-Linear：质疑transformer能力的线性预测模型

论文链接：https://arxiv.org/abs/2205.14415
github链接：https://github.com/thuml/Nonstationary_Transformers
参考解读：https://zhuanlan.zhihu.com/p/587665491

本文还是清华大学THUML实验室的论文，背景是在历史的研究中，大多数时序预测方法都是针对平稳型数据，但是在实际生产过程中，大部分数据其实没有那么强的平稳性，因此本文想针对这种非平稳型的数据进行模型优化；基于此，本文的主要贡献表现在一下几点：

1. 序列平稳化：主要体现在数据预处理方面，包含两个阶段窗口归一化（Normalization）和反归一化（De-Normalization）。对于每个指标数据，在时间维度上对数据进行归一化处理，并且在对于每个点位而言，提取的是滑动窗口内的均值数据作为样本输入（称为实例归一化），数据&实例归一化能够提高数据的平稳性。但是该操作对于原始数据而言，造成了不可逆转的退化可能性，因此本文还构造了一个逆归一化的过程，恢复数据归一化丢失的信息，该结构可以封装在模型输入输出阶段，作为非平稳型数据的特殊处理；
2. 去平稳化注意力机制：虽然反归一化的处理能够还原部分信息，但是由于在模型内部输入的是归一化后的数据，所以会导致模型学习到的还是较为平稳的注意力，因此本文设计了一种新的注意力机制；基于模型嵌入层（Embedding）和前向传播层（FFN）在时间维度的线性假设，在进行注意力机制计算时不仅会输入归一化的数据，还会将归一化时的统计量输入模型，以近似未归一化的信息构造非平稳注意力表示。在进行注意力计算时，通过引入统计量尺度变换得到非平稳的注意力表示：
   
   
   这种基于统计量的计算被定义为去平稳化因子；