2020年发布的N-BEATS、2022年发布的N-HiTS和2023年3月发布的PatchTST开始。N-BEATS和N-HiTS依赖于多层感知器架构，而PatchTST利用了Transformer架构。
2023年4月发表了一个新的模型，它在时间序列分析的多个任务中实现了最先进的结果，如预测、imputation、分类和异常检测:TimesNet。
TimesNet由Wu、Hu、Liu等人在他们的论文《TimesNet: Temporal 2D-Variation Modeling For General Time Series Analysis》中提出。
与以前的模型不同，它使用基于cnn的架构来跨不同的任务获得最先进的结果，使其成为时间序列分析的基础模型的绝佳候选。
在本文中，我们将探讨TimesNet的架构和内部工作原理。然后将该模型应用于预测任务，与N-BEATS和N-HiTS进行对比。
TimesNet
TimesNet背后的动机来自于许多现实生活中的时间序列表现出多周期性的认识。这意味着变化发生在不同的时期。
例如，室外温度有日周期和年周期。通常，白天比晚上热，夏天比冬天热。这些多个时期相互重叠和相互作用，使得很难单独分离和建模。
周期内变化是指温度在一天内的变化，周期间变化是指温度每天或每年的变化。所以TimesNet的作者提出在二维空间中重塑序列，以模拟周期内和周期间的变化。
TimesNet的架构
从上图中，我们可以看到TimesNet是多个带有跳过连接的TimesBlock的堆栈。
https://avoid.overfit.cn/post/337d0605c21f49c5bb9c65c46d2142cd
标签：HiTS,TimesNet,架构,模型,BEATS,序列 From： https://www.cnblogs.com/deephub/p/17761202.html