深度学习在时间序列预测中的综合调查：架构多样性和开放性挑战

这篇调查论文对用于时间序列预测的深度学习架构的演变格局进行了有价值的概述。它强调了从传统统计方法到MLP、CNN、RNN和GNN等深度学习模型，再到Transformer的兴起的转变。该论文对架构多样性的强调，以及与Transformer相比，更简单模型的惊人有效性尤其值得注意。通过比较和重新检查各种深度学习模型，该调查提供了新的视角，并确定了该领域的开放性挑战，使其成为研究人员和从业人员的有用资源。提到架构建模的“复兴”表明这是一个动态且快速发展的研究领域。

• •深度学习越来越多地用于时间序列预测。
• •Transformer模型很重要，但并不总是最佳架构。
• •架构多样性是时间序列预测研究的一个关键趋势。