SegRNN: Xarxa Neuronal Recurrent Segmentada per a la Predicció a Llarg Termini de Sèries Temporals
SegRNN és una arquitectura de xarxa neuronal recurrent per a la predicció a llarg termini de sèries temporals proposada per Shengsheng Lin et al. el 2023. En lloc de processar un pas de temps alhora, SegRNN particiona les seqüències d'entrada en segments de longitud fixa i alimenta cada segment com un sol token a una GRU. Aquest disseny basat en segments redueix dràsticament el nombre d'iteracions recurrents, abordant la dificultat ben coneguda que les RNN tenen a l'hora de modelar dependències molt llargues al llarg de molts passos individuals.
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.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/ca/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.
- Unitat recurrent amb portes (GRU)Aprenentatge profund↔ compare
- LSTMAprenentatge profund↔ compare
- PatchTSTAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →