TimesNet: Моделиране на времеви 2D-вариации за времеви редове
TimesNet е универсален модел за времеви редове, представен от Wu et al. на ICLR 2023. Основната му идея е, че унивариантните или мултивалентните времеви редове могат да бъдат преинтерпретирани като колекции от двуизмерни времеви карти чрез преобразуване на 1D сигнала според доминиращите му периодичности, открити чрез бързо преобразуване на Фурие (FFT). Това 1D-към-2D трансформиране разкрива както вътрешнопериодни модели (в рамките на един цикъл), така и междупериодни тенденции (между циклите), което позволява на мощни 2D конволюционни архитектури да моделират времевите вариации.
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
- Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet: Temporal 2D-variation modeling for general time series analysis. ICLR. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/bg/deep-learning/timesnet
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.
- AutoformerДълбоко обучение↔ compare
- PatchTSTДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →