了解TimesNet架构并在Python中应用于预测任务
在之前的文章中，我们探讨了最新的最先进的预测技术，从2020年发布的N-BEATS开始，到2022年的N-HiTS，再到2023年3月的PatchTST。回想一下，N-BEATS和N-HiTS依赖于多层感知器结构，而PatchTST利用了Transformer结构。
截至2023年4月，在文献中发表了一种新模型，它在时间序列分析的多个任务中实现了最先进的结果，如预测、插补、分类和异常检测：TimesNet。
TimesNet是由Wu、Hu、Liu等人在他们的论文《TimesNet: General Time Series Analysis的时态2D变化建模》中提出的。
与以前的模型不同，它使用基于CNN的架构在不同任务上实现了最先进的结果，使其成为时间序列分析基础模型的理想选择。
在本文中，我们探索TimesNet的架构和内部工作原理。然后，我们将该模型应用于预测任务，并与N-BEATS和N-HiTS一起进行完整的实验。
如往常一样，有关更多详细信息，请参阅原始论文。
通过我的免费时间序列速查表，学习最新的时间序列分析技术，在Python中获取统计和深度学习技术的实现，以及使用TensorFlow！
让我们开始吧！
探索TimesNet
TimesNet的动机来源于认识到许多现实生活中的时间序列呈现多周期性。这意味着变化在不同的周期发生。
例如，室外温度既有日周期又有年周期。通常情况下，白天比夜晚热，夏天比冬天热。
现在，这些多个周期相互重叠并相互作用，使得难以分离和建模…