在 Autoformer 模型中，序列分解的目标是将时间序列分解为 趋势 和 季节性 部分。在之前的文章中，我对Autoformer的Paper进行了详细解读。Autoformer是将 Transformer 改造为一种深度分解架构（如图 1 所示）包含编码器和解码器两部分。季节性部分（res）：表示时间序列中随时间变化的周期性波动（例如季节性、节假日效应等）。趋势部分（moving_mean）：

但其二次方复杂度存在缺陷，且token对间的计算存在冗余，故降低计算复杂度成为重要研究方向，代表性工作包括：LogTrans（Li et al., 2019b）、Informer（Zhou et al., 2021）、Reformer（Kitaev et al., 2020）、Autoformer（Wu et al., 2021b）、Pyraformer（Liu et al., 2021a）、FE

时序预测在金融、交通、能源和医疗等不同工业领域发挥着关键作用。尽管现有文献基于循环神经网络（RNN）、图神经网络（GNN）或 Transformer 设计了诸多复杂架构，但另一类基于多层感知机（MLP）的方法凭借结构简单、复杂度低和性能优越等特点脱颖而出。然而，现有多数基于 MLP 的预测方法受限于逐点映射和信息瓶颈问题，严重制约了预测性能的提升。为解决这一难题，本文探索了将 MLP 应用于频域时

近年来，许多深度模型被提出用于多元时间序列（MTS）预测。特别是，基于 Transformer 的模型展现了巨大的潜力，因为它们能够捕获长期依赖性。然而，现有的基于 Transformer 的模型主要集中于建模时间上的依赖关系（跨时间依赖性），而往往忽略了不同变量之间的依赖关系（跨维度依赖性），而这种依赖性对于 MTS 预测至关重要。为弥补这一空白，本文提出了一种基于 Transformer 的模

时序预测在金融、交通、能源和医疗等不同工业领域发挥着关键作用。尽管现有文献基于循环神经网络（RNN）、图神经网络（GNN）或 Transformer 设计了诸多复杂架构，但另一类基于多层感知机（MLP）的方法凭借结构简单、复杂度低和性能优越等特点脱颖而出。然而，现有多数基于 MLP 的预测方法受限于逐点映射和信息瓶颈问题，严重制约了预测性能的提升。为解决这一难题，本文探索了将 MLP 应用于频域时

但其二次方复杂度存在缺陷，且token对间的计算存在冗余，故降低计算复杂度成为重要研究方向，代表性工作包括：LogTrans（Li et al., 2019b）、Informer（Zhou et al., 2021）、Reformer（Kitaev et al., 2020）、Autoformer（Wu et al., 2021b）、Pyraformer（Liu et al., 2021a）、FE

近年来，许多深度模型被提出用于多元时间序列（MTS）预测。特别是，基于 Transformer 的模型展现了巨大的潜力，因为它们能够捕获长期依赖性。然而，现有的基于 Transformer 的模型主要集中于建模时间上的依赖关系（跨时间依赖性），而往往忽略了不同变量之间的依赖关系（跨维度依赖性），而这种依赖性对于 MTS 预测至关重要。为弥补这一空白，本文提出了一种基于 Transformer 的模

在 Autoformer 模型中，序列分解的目标是将时间序列分解为 趋势 和 季节性 部分。在之前的文章中，我对Autoformer的Paper进行了详细解读。Autoformer是将 Transformer 改造为一种深度分解架构（如图 1 所示）包含编码器和解码器两部分。季节性部分（res）：表示时间序列中随时间变化的周期性波动（例如季节性、节假日效应等）。趋势部分（moving_mean）：

本文提出了一种针对图结构数据的新模型——扩散卷积神经网络（DCNNs）。通过引入扩散卷积运算，作者展示了如何从图结构数据中学习基于扩散的表征，并将其作为节点分类的有效基础。DCNNs具有多项引人注目的特性：其生成的图数据潜在表征在图同构条件下保持不变；支持多项式时间复杂度的预测与学习过程，可表示为张量运算并高效部署于GPU平台。在多个真实结构化数据集上的实验表明，DCNNs在关系型节点分类任务中的

操作系统：Windows 10/11（本文示例），Linux/macOS 命令类似Python：3.10 ~ 3.11（推荐 3.11）显卡：非必需，纯 CPU 即可运行；有 NVIDIA 显卡会自动走 CUDA 更快（本机实测为 Intel 平台 CPU 推理）内存：建议 8 GB 以上包管理器：Anaconda / Miniconda，用 conda 建独立环境避免污染系统 Python。