| 时间 | 解决问题 | 代表性工作 | 阶段性结论 |
|---|---|---|---|
| 2021 - 2022 | 将经典的序列模型结构（Transformer、RNN）应用到时序建模任务中 | Informer、Autoformer、FEDformer、Non-stationary Transformer | 分解建模（Autoformer） |
| 窗口归一化（Revin，Non-stationary Transformer） | |||
| 2023 | 如何完成时序的令牌化 Tokenization | PatchTST、Crossformer、iTransformer | Patch Embedding（PatchTST、Crossformer） |
| Variate Embedding（iTransformer） | |||
| 2023-2024 | 多任务、多模态建模。 | ||
| 大语言模型和时序模型的关系 | |||
| 是否存在时序基础模型 | |||
| 建模的大模型应该是单变量还是多变量 | |||
| 是否应该将大语言模型作为时序模型的主干 | TimesNet、Timer、Time-LLM | 没有迹象表明，大语言模型对时序非常有效 | |
| 2025 |