使用GLinear连接简单性和复杂性：一种增强时间序列预测的新架构

时间序列预测（TSF）在许多领域中都是一个重要的应用。关于Transformer模型，尽管其在理解长序列方面表现出色，但是否难以保留时间序列数据中的时序关系仍存在争议。近期研究表明，对于TSF任务，较简单的线性模型可能优于或至少能与复杂的基于Transformer的模型相媲美。本文提出了一种新颖的数据高效架构——GLinear，用于多变量TSF，该架构通过利用周期性模式来提高预测精度。与现有的最先进的线性预测器相比，GLinear使用较少的历史数据即可提供更高的预测准确性。我们使用四个不同的数据集（ETTh1、电力、交通和天气）对所提出的预测器的性能进行了评估。与最先进的线性架构（如NLinear、DLinear和RLinear）以及基于Transformer的时间序列预测器（Autoformer）的性能对比显示，在大多数多变量TSF情况下，尽管参数效率较高，GLinear仍显著优于现有架构。我们希望所提出的GLinear能够为更简单且更复杂的数据和计算高效的时间序列分析架构的研究与开发开辟新的方向。