阿里巴巴发布最新《时间序列Transformer建模》综述论文

Transformers在自然语言处理和计算机视觉的许多任务中都取得了卓越的性能，这也引起了时间序列社区的极大兴趣。在Transformer的众多优点中，捕获长期依赖关系和交互的能力对时间序列建模特别有吸引力，这使得各种时间序列应用取得了令人兴奋的进展。在本文中，我们系统地回顾了用于时间序列建模的Transformer方案，通过一个新的分类，从两个角度总结了现有的时间序列Transformer，突出了它们的优势和局限性。从网络改造的角度，总结了时间序列Transformers的模块级适应性和体系结构级适应性。从应用的角度出发，我们根据预测、异常检测和分类等常用任务对时间序列Transformer进行分类。根据经验，我们执行稳健分析、模型规模分析和季节性趋势分解分析，以研究《Transformers》在时间序列中的表现。最后，我们讨论并提出未来的研究方向，以提供有用的研究指导。

由于Transformer在自然语言处理(NLP) [Kenton and Toutanova, 2019]、计算机视觉(CV) [Dosovitskiy et al.， 2021]、语音处理[Dong et al.， 2018]和其他学科[Chen et al.， 2021b]方面的出色表现，其在深度学习方面的创新[Vaswani et al.， 2017]最近引起了极大的兴趣。在过去的几年中，许多Transformer的变种被提出，以大大提高各种任务的最先进的性能。不同方面的文献综述较多，如NLP应用方面的文献[Qiu et al.， 2020;Han et al.， 2021]， CV applications [Han et al.， 2020;Khan等人，2021年;Selva等人，2022年)、高效Transformer [Tay et al., 2020]和注意力模型[Chaudhari et al., 2021; Galassi et al., 2020]。

在时序数据的长距离依赖和交互中，transformer表现出了很强的建模能力，因此在时间序列建模中很有吸引力。由于时间序列数据和时间序列任务的特殊特性，许多Transformer的变体被提出以适应各种时间序列任务中的时间序列数据，如预测[Li et al., 2019; Zhou et al., 2021; Zhou et al., 2022]，异常检测[Xu et al., 2022; Tuli et al., 2022]，分类[Zerveas et al., 2021; Yang et al., 2021]，等等。例如，季节性或周期性是时间序列的一个重要特征[Wen等人，2021a]，如何有效地建模长期和短期的时间相关性，并同时捕获季节性仍然是一个挑战[Wu et al., 2021; Zhou et al., 2022]。由于Transformer for time series是深度学习领域的一个新兴领域，对Transformer for time series进行系统、全面的研究将对时间序列学界大有裨益。我们注意到，存在一些关于时间序列深度学习的综述，包括预测[Lim和Zohren, 2021;Benidis等人，2020年;Torres et al.， 2021]，分类[Ismail Fawaz et al., 2019], anomaly detection [Choi et al., 2021; Blazquez-Garc ´ ´ıa et al., 2021]和数据增强[Wen et al., 2021b]，但很少或没有对时间序列的Transformers 进行深入分析。

在本文中，我们旨在通过总结现有的时间序列Transformers来填补上述空白。具体来说，我们首先简要介绍了普通的Transformer，然后从网络修改和应用领域的角度提出了一种新的时间序列Transformer分类。对于网络修改，我们考虑了针对时间序列数据优化的transformer的低层模块调整和高层架构改进。在应用方面，我们总结和分析了用于流行时间序列任务的transformer，包括预测、异常检测和分类。对于每个时间系列的《Transformers》，我们都分析了它的见解、优势以及局限性。为了提供如何在时间序列中使用transformer的实用指南，我们进一步对时间序列transformer进行了一些实证研究，包括稳健性分析、模型规模分析和季节趋势分解分析。最后，我们提出并讨论未来可能的发展方向，包括时间序列Transformers的归纳偏差，时间序列Transformers和GNN，时间序列Transformers的预训练，以及时间序列Transformers和NAS。据我们所知，本文是第一次全面系统地总结了Transformers在时间序列数据建模方面的最新进展。我们希望这个综述将点燃对时间系列Transformers的进一步研究兴趣。

https://arxiv.org/abs/2202.07125