> For the complete documentation index, see [llms.txt](https://skywateryang.gitbook.io/timeseriesanalysis101/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://skywateryang.gitbook.io/timeseriesanalysis101/7.-ji-yu-shen-du-xue-xi-de-shi-jian-xu-lie-fen-xi-fang-fa.md).

# 7. 基于深度学习的时间序列分析方法

深度学习在时间序列的应用是一个相对新的尝试，但已经展现出了惊人的前景。深度学习使得构建超复杂的非线性模型变得可能。

深度学习有着以下优势：

* 不用遵循平稳性假设
* 不用研究选择参数的技巧，如ARIMA中的order
* 不用事先对数据背后的动力学作假设

但是深度学习也不是永远都是灵丹妙药，有一些使用的限制

* 在趋势性的数据集上效果不是很好
* 深度学习在数据值介于\[-1,1]时效果最好，因此需要预处理
* 模型调参上的理论研究不如传统方法丰富

总之深度学习是一个极为复杂的技术，对于初学者来说，你可能会发现使用深度学习构建的模型效果并不如简单的统计学模型，随着经验逐渐丰富，深度学习在中高级使用者手上绝对是处理时间序列数据的一大利器。

目前主流的深度学习模型分为RNN,CNN,Transformer三大流派。本章会选择时间序列模型的经典模型展开，以代码为核心介绍深度学习在时间序列上的应用，假定读者已经有了初步的神经网络基础和pytorch基础。