Transformer是一种广泛应用于自然语言处理（NLP）领域的深度学习模型，其在机器翻译、情感分析等任务中取得了显著的成果。然而，随着深度学习技术的不断发展，越来越多的研究表明Transformer也可以应用于非NLP领域中的时间序列预测问题。

传统的时间序列预测方法通常使用ARIMA、LSTM等模型，但这些模型存在一些缺陷，例如无法进行并行计算、对序列长度的限制较大等。相比之下，Transformer具有良好的并行计算能力和长序列建模能力，因此逐渐引起了人们的关注。

那么，Transformer是否适合用于做非NLP领域的时间序列预测问题呢？答案是肯定的。事实上，近年来已经有很多研究证明了Transformer在时间序列预测中的有效性。

首先，将Transformer应用于时间序列数据中的一个重要问题就是序列的变长性。在LSTM等模型中，由于需要保留历史信息，所以序列长度对模型的影响非常大。而Transformer则采用了自注意力机制（self-attention），通过计算序列中各个位置之间的权重来对序列进行建模，因此对序列长度的限制较小。

其次，与传统的时间序列预测模型相比，Transformer能够处理更复杂的特征，包括非线性、多层级等特征。这得益于Transformer中所采用的多头自注意力机制（multi-head self-attention）和前馈网络（feed-forward network）。在多头自注意力机制中，模型可以同时关注输入序列中的不同部分，从而更好地捕捉序列中的关系，而前馈网络则可以帮助模型处理非线性特征。

此外，为了进一步提高Transformer在时间序列预测中的效果，一些研究者还提出了一些改进策略。例如，在时间序列中增加时空信息（spatiotemporal information）、引入卷积神经网络（CNN）等。这些方法可以进一步增强Transformer在时间序列预测中的建模能力，提高其准确度和稳定性。

综上所述，Transformer是一种非常适合用于非NLP领域的时间序列预测问题的模型。它具有良好的并行计算能力、长序列建模能力和处理复杂特征的能力，已经被广泛应用于气象预测、交通流量预测、电力负荷预测等领域，并且取得了不错的成果。虽然目前仍有一些挑战，例如如何选择合适的超参数、如何处理噪声等，但我们相信随着深度学习技术的不断发展，Transformer在时间序列预测中的应用前景将会越来越广阔。