摘要：0.摘要 本文用Transformer(TF)来解决时间序列预测问题。尽管性能不错，但还是有两个主要缺点：（1）locality-agnostics：规范的TF对局部上下文不敏感，可能导致异常；（2)memory bottleneck：规范TF的空间复杂度为O(L^2)。本文的解决方案为;（1）因果 阅读全文

摘要：Abstract 在本文中，提出了DeepAR，一种基于大量相关时间序列的自回归循环网络模型的概率预测方法。我们演示了如何应用深度学习技术来预测，可以克服当前广泛使用的经典方法的所面临的问题。我们通过对几个真实世界的预测数据集进行广泛的实证评估表明，与最先进的方法相比，预测精度提高了15%左右。 1 阅读全文