本研究提出了一种混合架构，用于多变量时间序列预测，结合了领域知识和时间序列数据中的隐含关系结构，提高了预测准确性和可靠性。实验结果显示，该架构在多个基准数据集上表现优异。

我们提出了一个深度生成时间序列的方法，用于建模和分析复杂疾病轨迹。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于数据分析和临床假设测试。我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

本文提出了一种深度生成时间序列的方法，用于建模和分析复杂疾病轨迹，并结合生成方法与医学知识进行数据分析和临床假设测试。该方法还可用于个性化在线监测和多变量时间序列预测。通过在系统性硬化病过程中的应用，展示了该方法的有效性和获取新医学知识的潜力。

文章介绍了一种新的iTransformer模型，用于多变量时间序列预测，通过反转注意力机制和前馈网络的职责，取得了最先进的表现，成为时间序列预测的基本骨干的一个很好的替代方案。