SegRNN: Сегментна рекурентна невронна мрежа за дългосрочно прогнозиране на времеви редове
SegRNN е архитектура на рекурентна невронна мрежа за дългосрочно прогнозиране на времеви редове, предложена от Shengsheng Lin и съавтори през 2023 г. Вместо да обработва една времева стъпка в даден момент, SegRNN разделя входните последователности на сегменти с фиксирана дължина и подава всеки сегмент като единичен токен към GRU. Този сегментен дизайн драстично намалява броя на рекурентните итерации, справяйки се с добре познатата трудност, която RNN срещат при моделирането на много дълги зависимости през множество индивидуални стъпки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/bg/deep-learning/segrnn
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.
- Затворен рекурентен модул (GRU)Дълбоко обучение↔ compare
- LSTMДълбоко обучение↔ compare
- PatchTSTДълбоко обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →