时序Transformer

该文聚焦经济与金融时间序列预测，重点考察模型如何刻画非线性动态、长期依赖、概率分布或跨序列迁移。相关研究脉络指出：Transformer通过注意力机制直接联系远距离时点，Informer和Autoformer两种模型又分别从计算效率与趋势–周期表示方面改进长序列预测。本综述将其作为AI研究工具文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。

该文聚焦经济与金融时间序列预测，重点考察模型如何刻画非线性动态、长期依赖、概率分布或跨序列迁移。在具体模型中，TFT通过变量选择和注意力机制，识别不同预测时点上更具信息价值的协变量；。本综述将其作为AI研究工具文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。

该文聚焦经济与金融时间序列预测，重点考察模型如何刻画非线性动态、长期依赖、概率分布或跨序列迁移。相关研究脉络指出：OneFitsAll（OFA）探索了语言模型向时间序列任务迁移的可行性；Chronos通过离散化和词元化，使连续数值序列能够使用预训练机制；TimesFM和MOIRAI则面向大规模、多领域和多频率预测。本综述将其作为AI研究工具文献收录；主要结论和适用边界应以英文摘要及原始研究设计为准。