SOFTS: 高效多变量时间序列融合预测

PatchTST 是一种基于 Transformer 的多元时间序列预测模型，通过将时间序列划分为子序列级别的片段，提高了长期预测准确性。

MTS-Mixers 通过关注机制解决了时间和通道互动中的交错和冗余问题，证明关注机制不是捕获时间依赖关系的必要条件。

LightCTS 框架采用简单的时间和空间运算符堆叠，提高了计算效率，并在预测基准数据集上表现出接近最先进的准确性。

Client 模型通过线性模块和注意力模块的结合，优化了跨变量依赖关系，在多个真实数据集上表现优异，且计算资源消耗较少。

MCformer 通过混合通道特征和注意力机制，有效捕捉通道间相关信息，超越了传统的 CI 策略。

CSformer 模型通过两阶段自注意机制和适配器设计，显著提高了多变量时间序列数据的特征提取能力。

SCNN 是一种模块化和可解释的预测框架，能够分离时间序列数据中的结构和异构组成部分，表现出更好的可追溯性和可预测性。

HTSF 框架在分布漂移下实现准确的时间序列预测，在多个基准测试中达到了最先进的性能。

MTST 框架通过多支架构建模不同分辨率的时间模式，证明了其在真实世界数据集上的有效性。