对于（线性）回归模型，以下假设必须成立：

• 线性关系
• 多元正态性包括零均值的误差项 + 服从正态分布的一些无限方差
• 无自相关
• 没有（强）多重共线性
• 没有同方差性

非平稳性（由随时间变化的均值或/和方差引起）在大多数水平数据（例如股票价格）中普遍存在 - 因为它具有单位根或趋势平稳。

在大多数情况下，要消除数据的非平稳性，使用相对变化（百分比变化 - 或日志变化）就足够了。取对数变化，也可以稍微治愈同方差。

要测试平稳性，您可以使用Augmented-Dickey-Fuller-Test，其中 Null 假设表明您的数据集中存在单位根，因此您有一个非平稳变量。

关于时间序列和深度学习的第二个问题。不幸的是，我还没有找到一篇好的论文/文章来讨论对主要数据属性的假设，这些假设必须满足才能获得正确的统计结果。查看我自己的帖子- 尚未回答

然而，由于深度学习模型使用相同的基础统计假设——例如概率分布等，甚至是基础模型（例如线性激活函数）——我猜，在时间序列框架中，相同的假设必须成立，否则，有可能出现虚假回归。

您可以使用回归模型，但对于相关性，如果您使用任何分类列和一个热编码数据，则需要确保正确处理虚拟变量陷阱，因为它会严重影响模型的准确性。请参阅此处以了解更多信息：