Machine learningTime-series forecasting

TimesNet: Modelatge de Variacions Temporals 2D per a Sèries Temporals

TimesNet és un model d'ús general per a sèries temporals introduït per Wu et al. a ICLR 2023. La seva idea central és que les sèries temporals univariants o multivariants es poden reinterpretar com a col·leccions de mapes temporals bidimensionals reordenant el senyal 1D segons les seves periodicitats dominants, detectades mitjançant la Transformada Ràpida de Fourier (FFT). Aquesta transformació 1D a 2D exposa tant patrons intra-període (dins d'un cicle) com tendències inter-períodes (entre cicles), permetent que arquitectures convolucionals 2D potents modelin la variació temporal.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

TimesNet: Modelatge de Variacions Temporals 2D per a Sèries Temporals
AutoformerPatchTSTMICNSCINetTimeMixer

Fonts

  1. 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

Com citar aquesta pàgina

ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/ca/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.

Compare side by side

Citat per

ScholarGateTimesNet (TimesNet (Temporal 2D-Variation Modeling)). Recuperat el 2026-06-15 de https://scholargate.app/ca/deep-learning/timesnet · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026