图中呈现的是iTransformer经典架构图，它是专门针对多变量时间序列分析而设计的模型架构。在多变量时间序列领域，数据往往包含多个变量，且随时间动态变化，传统方法在处理这类复杂数据时存在诸多局限。iTransformer架构的出现为解决这一问题提供了创新且有效的方案。该架构的处理流程从原始多变量时间序列数据开始。原始数据以多条时间序列的形式存在，每个时间点包含多个变量的观测值。首先，数据进入嵌入层，通过嵌入操作，将离散的原始序列数据转换为连续的向量表示，即嵌入的可变标记。这一步骤类似于自然语言处理中的词嵌入，能够将原始数据映射到更具语义信息的向量空间，为后续的深度分析奠定基础。接下来，模型利用多变量注意力机制。在多变量时间序列中，不同变量之间以及同一变量在不同时间步之间都存在着复杂的关联。多变量注意力机制通过计算查询（Q）、键（K）、值（V）之间的相关性，并生成多变量相关图，能够精准地捕捉这些复杂关系。例如，在股票市场中，不同股票价格之间可能存在联动效应，注意力机制可以识别出哪些股票之间的关联更为紧密，从而更好地挖掘数据中隐藏的模式和规律。架构的中间部分由多个Transformer块堆叠而成。每个Transformer块包含层归一化、多变量注意力机制和前馈网络等组件。层归一化有助于稳定模型的训练过程，加速收敛；前馈网络则进一步对特征进行非线性变换，增强模型的表达能力。多个Transformer块的堆叠使得模型能够学习到更深层次的特征表示，逐步提取数据中的高级语义信息。