Timesnet: Temporal 2d-variation modeling for general time series analysis (ICLR 2022)

   时间序列分析在天气预报、异常检测、行为识别等领域有着广泛的应用。针对时序变化建模这一广泛分析任务的共同关键问题进行了研究。之前的方法试图直接从一维时间序列中实现这一点，由于复杂的时间模式，这是极具挑战性的。根据时间序列的多周期特性，将复杂的时间变化分解为多个周期内和周期间的变化。为解决1维时间序列在表示能力方面的局限性，将时间变化的分析扩展到2维空间，将1维时间序列转换为一组基于多个周期的2维张量。这种变换可以将周期内变化和周期间变化分别嵌入到2D张量的列和行中，使2D变化可以很容易地用2D核建模。从技术上讲，本文提出时间网，以时间块作为时间序列分析的通用任务骨干。时间块可以自适应地发现二维张量的多周期性，并通过参数高效的inception块从变换后的二维张量中提取复杂的时间变化。所提出的时间网在5个主流时间序列分析任务中实现了一致的最先进技术，包括短期和长期预测、填补、分类和异常检测。   

一背景：

为了解决复杂的时间变化问题，我们从一个多周期性的新维度来分析时间序列

 首先，观察到现实世界的时间序列通常呈现多周期性，如天气观测的日变化和年变化，电力消耗的周变化和季度变化。这些多个周