PatchTST
PatchTST er en patch-baseret Transformer-arkitektur til tidsserieprognoser, introduceret af Nie og kolleger i 2023, som opdeler hver serie i overlappende patches, der behandles som tokens, og behandler kanaler uafhængigt. Den balancerer beregningseffektivitet med høj nøjagtighed i langtidsprognoser.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/da/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.
- ARIMA (Autoregressive Integrated Moving Average) ModelØkonometri↔ compare
- Konform forudsigelse til tidsserieprognoserØkonometri↔ compare
- Random ForestMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →