AI与经济时间序列预测

论文解决Transformer直接用于长序列时间预测时计算复杂度高、内存占用大和逐步解码低效的问题。Informer结合复杂度为O(L log L)的ProbSparse注意力、自注意力蒸馏和一次前向生成整段序列的解码器，以压缩长输入并提高推断速度。在四个大规模数据集上的实验显著优于既有方法，为电力等需要长预测窗口的任务提供了更高效的Transformer方案。

论文探索时间序列能否像语言一样通过大规模预训练获得跨任务迁移能力。模型采用带输入分块的仅解码器注意力架构，在包含真实与合成序列的大型语料上预训练，再直接对未见数据进行零样本预测。跨领域、预测跨度和时间粒度的实验表明，其开箱即用的零样本精度接近各数据集分别训练的先进监督模型，支持时间序列基础模型的可行性。