返回信息流刚准备入门时间序列预测，看了informer，存在几个疑惑。
1. informer中encoder和decoder得输入，都是过去的序列，那为什么还需要encoder，直接decoder不能做吗？
2，时间序列预测都是这种encoder和decoder的吗？没有只用decoder的方法嘛？
3，时间序列预测大多数都是迭代，一个一个生成未来序列，像informer这种一趟生成的方法是比较少的？迭代生成那么耗时，而且误差会累计吧？，为什么那么多方法使用迭代生成，有什么优势吗
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #39147同步于 2024/5/24
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
时间序列预测
ye2016111062
2024/5/24镜像同步8 回复
订阅后，新回复会通过你的通知中心匿名送达。
8 条回复
encoder可以提供context的全局信息，发给decoder用来在有部分全局信息的情况下，帮助预测。如果一句话有因为，和所以。只有在确定因为的情况下，才能预测所以，因此不能并行。
【 在 ye2016111062 的大作中提到: 】
: 刚准备入门时间序列预测，看了informer，存在几个疑惑。
: 1. informer中encoder和decoder得输入，都是过去的序列，那为什么还需要encoder，直接decoder不能做吗？
: 2，时间序列预测都是这种encoder和decoder的吗？没有只用decoder的方法嘛？
: ...................
1. encoder是获取输入数据间的相关性，如果只有decoder提取的是输出和输入间的相关性，缺少输入间的相关性对预测的性能有影响。
2. 同上，所以一般是S2S结构的。
3. 迭代输出是有累积误差，但是也会带来一些确定性，等于是一步步的做，任务更简单。一次性输出，当前步的输出和上一步除了位置信息，不提供序列数据的特征，可能会性能更差。同时，早起序列预测都是RNN架构，这个需要迭代输出，同时迭代输出可以不定长。
这是我的理解。
nice,谷歌有篇论文说明，在encoder时倒叙，能够提高准确率。
【 在 ZZZZZC 的大作中提到: 】
:
: 1. encoder是获取输入数据间的相关性，如果只有decoder提取的是输出和输入间的相关性，缺少输入间的相关性对预测的性能有影响。
: 2. 同上，所以一般是S2S结构的。
: ............