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.
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
- 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.
- AutoformerAprenentatge profund↔ compare
- PatchTSTAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →