GLinear：一种用于提升时间序列预测的新型架构，桥接简单与复杂

时间序列预测（TSF）是许多领域中的重要应用。关于变压器在理解长序列方面虽然表现良好，但在处理时间序列数据时是否能够保留时间关系存在争议。近期研究表明，较为简单的数据驱动模型可能在TSF任务中超越或至少与复杂的基于变压器的模型保持竞争力。本文提出了一种新型数据高效架构，高斯激活线性模型（GLinear），用于多变量时间序列预测，通过利用周期性模式实现更高的预测准确率。该模型在其他状态机构线性预测器所需的历史数据更少的情况下即可实现更高的预测精度。我们使用四个数据集（ETTh1、Electricity、Traffic和Weather）评估了所提出预测器的性能。与状态机构线性架构（如NLinear、DLinear和RLinear）以及基于变压器的时间序列预测器（Autoformer）进行比较显示，GLinear虽然数据高效，却在大多数多变量TSF情形下超越现有架构，其他情况则表现具有竞争力。我们希望所提出的GLinear模型为开发更简单且更具数据和计算效率的时间序列分析架构开辟新的研究前沿。源代码已公开于GitHub。