时间序列分析基础模型：全面基准比较

本文提出了一种用于时间序列分析的基础模型，并对众多公认的先进模型进行了全面比较，以验证其有效性。这些基准模型涵盖了五种主要任务：

• 基于RNN的模型: LSTM (1997), LSTNet (2018) 和 LSSL (2022)
• 基于CNN的模型: TCN (2019)
• 基于MLP的模型: LightTS (2022) 和 DLinear (2023)
• 基于Transformer的模型: Reformer (2020), Informer (2021), Pyraformer (2021a), Autoformer (2021), FEDformer (2022), Non-stationary Transformer (2022a) 和 ETSformer (2022)
• 特定任务的模型: N-HiTS (2022) 和 N-BEATS (2019) 用于短期预测；Anomaly Transformer (2021) 用于异常检测；Rocket (2020) 和 Flowformer (2022) 用于分类等

总共超过 15 个基准模型被纳入比较，为全面评估提供了可靠依据。