时序预测（Time-Series Forecasting）是一类利用历史时间序列数据推断未来趋势或状态的机器学习与统计分析技术。该技术通常基于具有时间顺序的数据记录，通过分析其中的趋势、周期性、季节性以及异常变化规律，建立预测模型，用于估计未来一段时间内可能出现的数据变化。时序预测广泛应用于经济分析、能源管理、气象预测、工业监测和资源调度等领域。

时序预测的发展历史较为悠久，其理论基础可以追溯到统计学中的时间序列分析方法，例如自回归模型（AR）、移动平均模型（MA）、 ARIMA 等经典方法。这些方法通过建立数据随时间变化的统计规律，实现对未来状态的预测。随着机器学习和深度学习的发展，研究人员开始利用神经网络模型捕捉更加复杂的非线性时间依赖关系，推动时序预测从统计建模逐渐向数据驱动方法发展。

2021 年，北京航空航天大学与加州大学伯克利分校等机构研究人员在论文 Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting 中提出 Informer 模型，针对 Transformer 在长序列时间预测任务中存在的计算开销较高、长距离依赖建模困难等问题，引入 ProbSparse Attention 、蒸馏机制等方法，提高了 Transformer 处理长时间序列任务的效率。该研究成为基于 Transformer 的长序列时序预测领域的重要代表性工作之一。

现代时序预测模型通常需要从历史数据中学习趋势（Trend）、季节性（Seasonality）、周期变化以及变量之间的关联关系。根据任务特点，模型可以采用统计方法、机器学习方法、循环神经网络（RNN）、卷积神经网络（CNN）、 Transformer 以及近年来的大规模时间序列基础模型等技术路线。时序预测主要解决动态系统中未来状态估计的问题，使计算机能够根据已有数据辅助进行分析和决策。目前，该技术已广泛应用于金融市场分析、天气预测、电力负荷预测、交通流量预测、供应链管理和工业设备维护等场景，为复杂系统的规划和优化提供数据支持。