计算机
从模型设计的角度来看，PatchTST实际上已经逼近了当前基于Transformer架构的时间序列模型性能上限。如果要进一步提升性能，可能需要像自然语言处理（NLP）和
计算机视觉（CV）领域一样，通过扩大规模（scaling up）来实现。然而，时间序列数据在进行规模化扩展时面临诸多难题。现实中，描述完全孤立系统的纯时间序列数据极为稀少。大多数大规模时间序列数据要么是时空相关数据（例如气候、交通流量），要么与外部变量高度耦合（如金融数据）。此外，时间序列的数据分布可能存在过于离散的问题，导致很难用一个统一的模型对其进行有效建模。即使能够构建统一模型，其效果也可能不如针对不同场景分别建模。这些问题是制约时间序列模型规模化发展的关键障碍。因此，当我们讨论时间序列模型是否还有进一步优化的空间时，一方面需要思考如何克服上述问题；另一方面可以借鉴CV和NLP领域的经验，探索它们除了规模化之外的其他改进路径。回顾CV和NLP的发展历程，似乎规模化确实是推动其进一步突破的主要方向。
