Machine learningTime-series forecasting
非平稳Transformer
非平稳Transformer (Non-stationary Transformer) 是由刘勇、吴海旭、王建民和龙明盛在 NeurIPS 2022 上提出的一种基于 Transformer 的时间序列预测架构。它解决了将 Transformer 应用于真实世界时间序列时的一个根本性矛盾：预处理过程中的过度平稳化会去除携带预测信息的非平稳信号，而原始的非平稳输入会导致注意力机制崩溃。该模型通过序列平稳化与新颖的去平稳注意力机制相结合来解决这一问题，该机制能在预测时恢复原始的时间分布。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
如何引用本页
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/zh/deep-learning/nonstationary-transformer
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
并排比较 →