ICLR20231intro时间序列一般是连续记录的，每个时刻只会记录一些标量之前的很多工作着眼于时间维度的变化，以捕捉时间依赖关系——>可以反映出、提取出时间序列的很多内在特征，比如连续性、趋势、周期性等但是现实时间序列数据中的时间序列通常是由很复杂的时间特征组成，不同的时间维度上的变化会糅杂在一起，使得建模时间维度的变化异常困难在深度学习领域，很多模型有很强的建模非线性的能力，因而可以捕获时间序列中一些复杂的时间维度变化。但是他们各有一些弊端RNN：基于马尔可夫假设（t-1时刻的观测影响t时刻的预测），建模连续时刻的时间序列特征这类方法经常难以建模长期时间依赖性同时由于不能并行，效率堪忧T

ICLR20231intro时间序列一般是连续记录的，每个时刻只会记录一些标量之前的很多工作着眼于时间维度的变化，以捕捉时间依赖关系——>可以反映出、提取出时间序列的很多内在特征，比如连续性、趋势、周期性等但是现实时间序列数据中的时间序列通常是由很复杂的时间特征组成，不同的时间维度上的变化会糅杂在一起，使得建模时间维度的变化异常困难在深度学习领域，很多模型有很强的建模非线性的能力，因而可以捕获时间序列中一些复杂的时间维度变化。但是他们各有一些弊端RNN：基于马尔可夫假设（t-1时刻的观测影响t时刻的预测），建模连续时刻的时间序列特征这类方法经常难以建模长期时间依赖性同时由于不能并行，效率堪忧T