Machine learning

Patch Time Series Transformer

إن تغذية Transformer بخطوة زمنية واحدة في كل مرة تهدر الانتباه على أجزاء صغيرة ومشوشة وتتوسع بشكل سيء مع السجلات الطويلة. بدلاً من ذلك، تقوم PatchTST بتجميع النقاط المتتالية في نوافذ قصيرة متداخلة، تسمى الرقع، وتتعامل مع كل رقعة كرمز واحد - تمامًا كما تُقرأ الجملة كلمة بكلمة بدلاً من حرف بحرف. هذا يمنح كل رمز رؤية محلية أغنى، ويقصر التسلسل الذي يجب أن تتعامل معه آلية الانتباه، ويتيح للنموذج التقاط الأنماط بعيدة المدى بكفاءة.

افتح في MethodMindقريبًافيديوقريبًاDownload slides

اقرأ الطريقة كاملة

للأعضاء فقط

سجّل الدخول بحساب مجاني لقراءة هذا القسم.

تسجيل الدخول

Method map

The neighbourhood of related methods — select a node to explore.

+4 more

المصادر

  1. Nie, Y., Nguyen, N. H., Sinthong, P. & Kalagnanam, J. (2023). A Time Series is Worth 64 Words: Long-term Forecasting with Transformers. ICLR. link
  2. Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L. & Jin, R. (2022). FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting. ICML. link

كيف تستشهد بهذه الصفحة

ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/ar/deep-learning/patchtst

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

يُستشهد بها في

ScholarGatePatchTST (Patch Time Series Transformer). استُرجع بتاريخ 2026-06-15 من https://scholargate.app/ar/deep-learning/patchtst · مجموعة البيانات: https://doi.org/10.5281/zenodo.20539026