【论文阅读】基于深度学习的时序预测——Crossformer_crossformer长时序预测

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://openreview.net/forum?id=vSVLM2j9eie
github链接：https://github.com/Thinklab-SJTU/Crossformer
参考解读：https://blog.csdn.net/qq_33431368/article/details/129483613

上海交通大学发表的论文，主要是解决多个变量之间时序关系的建模，解决基于多变量指标的时序数据处理，本文的创新点主要提现在以下几点：

1. Dimension-Segment-Wise Embedding：对于多维时间序列，应该对每个维度的数据进行单独的数据表征，而不是在每个点位基于所有维度的数据进行数据表征，因此本文针对每个维度的指标进行独立向量化表征（线性转换+位置编码），更好地捕捉单变量的数据信息；
   

2. Two-Stage注意力模块：第一步是时间维度的注意力机制，采用传统的时序transformer思想进行单维度内的时序数据建模；然后第二步再进行空间维度的建模，也就是提取多个变量之间的关联信息，也就是在变量维度进行attention计算，但是这样计算复杂度会很高，本文设计了中间变量运算简化了计算；

3. 多层级Encoder-Decoder：由于上一步会进行two-stage的注意力运算，因此在Decoder中会分别对不同阶段的结果进行解码，模型的输入最开始是细粒度patch，随着层数增加逐渐聚合成更粗粒度的patch。这种形式可以让模型从不同的粒度提取信息，也有点像空洞卷积的架构。Decoder会利用不同层次的编码进行预测，各层的预测结果加和到一起，得到最终的预测结果（参考描述）。