梁宏涛，刘 硕，杜军威，胡 强，于 旭

青岛科技大学 信息科学技术学院，山东 青岛266061

随着社会中物联网传感器的广泛接入，几乎所有科学领域都在以不可估量的速度产生大量的时间序列数据。传统参数模型和机器学习算法已难以高效准确地处理时间序列数据，因此采用深度学习算法从时间序列中挖掘有用信息已成为众多学者关注的焦点。

分类聚类[1-4]、异常检测[5-7]、事件预测[8-10]、时间序列预测[11-14]是时间序列数据的四个重点研究方向。已有的时序预测综述文章，概括了经典的参数模型以及传统机器学习算法的相关内容，但缺少对Transformer 类算法最新成果的介绍和在各行业常用数据集的实验对比分析。余下内容将以深度学习的视角重点分析阐述有关时间序列预测方向的内容，并在多种GPU环境下对不同数据集采用多个评价指标进行实验对比分析。基于深度学习的时间序列预测算法发展脉络如图1所示。

图1 基于深度学习的时间序列预测算法时间表Fig. 1 Development history of time series prediction algorithms based on deep learning

时间序列预测是时间序列任务中最常见和最重要的应用，通过挖掘时间序列潜在规律，进行类推或者延展用于解决在现实生活中面临的诸多问题，包括噪声消除[15]、股票行情分析[16-17]、电力负荷预测[18]、交通路况预测[19-20]、流感疫情预警[21]等。

当时间序列预测任务提供的原始数据仅为目标数据的历史数据时，为单变量时间序列预测，当提供的原始数据包含多种随机变量时，为多变量时间序列预测。

时间序列预测任务根据所预测的时间跨度长短，可划分为四类，具体如图2所示。……