PatchTST
PatchTST és una arquitectura Transformer basada en pegats per a la predicció de sèries temporals, introduïda per Nie i col·laboradors el 2023, que divideix cada sèrie en pegats superposats tractats com a tokens i processa els canals independentment. Equilibra l'eficiència computacional amb una forta precisió en la predicció a llarg termini.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/ca/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.
- Model d'ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Previsió Conformal per a la Predicció de Sèries TemporalsEconometria↔ compare
- Random ForestAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →