论文链接：https://arxiv.org/abs/2202.07125

Transformers在自然语言处理和计算机视觉的许多任务中都取得了卓越的性能，这也引起了时间序列社区的极大兴趣。在Transformer的众多优点中，捕获长期依赖关系和交互的能力对时间序列建模特别有吸引力，这使得各种时间序列应用取得了令人兴奋的进展。在本文中，我们系统地回顾了用于时间序列建模的Transformer方案，通过一个新的分类，从两个角度总结了现有的时间序列Transformer，突出了它们的优势和局限性。从网络改造的角度，总结了时间序列Transformers的模块级适应性和体系结构级适应性。从应用的角度出发，我们根据预测、异常检测和分类等常用任务对时间序列Transformer进行分类。根据经验，我们执行稳健分析、模型规模分析和季节性趋势分解分析，以研究《Transformers》在时间序列中的表现。最后，我们讨论并提出未来的研究方向，以提供有用的研究指导。

内容中包含的图片若涉及版权问题，请及时与我们联系删除