PatchTST
PatchTST е базирана на сегменти (patches) архитектура Transformer за прогнозиране на времеви редове, представена от Nie и колеги през 2023 г., която разделя всеки ред на припокриващи се сегменти, третирани като токени, и обработва каналите независимо. Тя балансира изчислителна ефективност със силна точност при прогнозиране на дълъг хоризонт.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Източници
- Nie, Y., Nguyen, N. H., Sinthong, P. & Kalagnanam, J. (2023). A Time Series is Worth 64 Words: Long-term Forecasting with Transformers. ICLR. link ↗
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/bg/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.
- Модел ARIMA (Autoregressive Integrated Moving Average)Иконометрия↔ compare
- Конформно прогнозиране за прогнозиране на времеви редовеИконометрия↔ compare
- Случайна гораМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →