将时间序列分测方法的发展中发挥了关键作用——它使我们能够单独分析每个成分，从而做出更准确的预测，而不必分析原始时间序列，否则原始时间序列会过于复杂。
这种分解以及指数加权衰减是将时间序列结构的先验知识纳入预测模型的例子，考虑到这些方法的普及性和预测能力，这样做的好处是显而易见的。
问题：时间序列预测方法忽略了先验知识
既然我们已经了解了时间序列预测的重要性，你可能会想：我们究竟该如何预测未来？在大数据时代，我们能够获取海量的时间序列指标（例如，数据中心一年内每分钟的测量数据），简单的统计模型已不再适用。因此，我们更倾向于强大的机器学习和深度学习模型，它们能够消化这些海量数据，学习其中的显著模式，并做出准确的长期预测。
然而，时间序列数据通常充满噪声且波动（非平稳）。此外，现有方法过于笼统，没有融入关于 手机号数据库列表 时间序列结构（例如趋势和季节性）的适当先验知识。现有方法（例如通用机器学习方法）可能融入了某种形式的先验知识，但并非专门针对时间序列的。所有这些都可能导致时间模式建模不理想，并导致长期预测不准确。
我们的解决方案：指数平滑变压器（ETSformer）
为了突破现有方法的局限性，我们提出了一种名为ETSformer 的全新时间序列预测方法。您可以将我们的方法视为“指数平滑变换器”——我们的模型本质上是一个变换器，并扩展了额外的功能，使其能够处理时间序列信息。受经典指数平滑方法的启发，ETSformer 将其功能与变换器的功能相结合，以实现最佳性能。
由于我们的新方法结合了两种强大技术的元素，其名称体现了这种富有成效的组合：“ETS”来自指数平滑方法的扩展，以考虑状态空间模型（误差、趋势和季节性） - 也可以被认为是指数平滑的缩写 - 而“former”来自transformer。