PatchTST
PatchTST je architektura Transformer založená na patchích pro předpovídání časových řad, představená Nie a kolegy v roce 2023, která rozděluje každou řadu na překrývající se patche, jež jsou zpracovávány jako tokeny, a kanály zpracovává nezávisle. Vyvažuje výpočetní efektivitu se silnou přesností při dlouhodobém předpovídání.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/cs/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 ARIMA (autoregresní integrovaný klouzavý průměr)Ekonometrie↔ compare
- Konformní predikce pro časové řadyEkonometrie↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →