Wavenet（2016）
重点：CNN系列 + 因果卷积 + 膨胀卷积
核心：确保了输出的时间点只依赖于输入序列中时间戳早于或等于该输出时间点的数据，核心模块 膨胀卷积能够扩大卷积层的感受野，从而更充分学习序列的全局信息。
DeepAR（2017 Amazon）
DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks
重点：RNN系列 + 多元 + 概率预测
核心：使用自回归循环网络模型来生成准确概率预测的方法，问题就是训练过程和预测过程不一致（自回归类），误差越来越大。
DeepState（NIPS 2018）
Deep State Space Models for Time Series Forecasting
重点：RNN系列 + state space思路
核心：认为当前时刻的观测值只和当前状态有关，而当前状态只和上一个时刻的状态有关。因此建模分为两个部分：连续两个隐状态的关系，以及从当前时刻隐状态到当前时刻预估结果的关系。
对比：相比DeepAR，模型在训练或预测阶段，每个时刻都不需要输入上一个时刻的真实值或预测值了，完全由隐状态建立连续两个时刻的联系。这样解决了DeepAR中训练和预测不一致的问题。
N-Beats（ICLR 2020）
N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FOR INTERPRETABLE TIME SERIES FORECASTING
重点：全连接 + 单变量 + stack + 序列分解
核心：网络全部为全连接组成，Stack根据基的不同可以分为建模趋势和建模周期的。具备可解释性。
