TimesNet: Temporal 2D-Variation Modeling for Time Series
TimesNet er en generel tidsrække-model introduceret af Wu et al. ved ICLR 2023. Dens centrale idé er, at univariate eller multivariate tidsrækker kan genfortolkes som samlinger af todimensionale temporale kort ved at omforme det 1D-signal i henhold til dets dominerende periodiciteter, detekteret via Fast Fourier Transform. Denne 1D-til-2D-transformation afslører både intraperiode-mønstre (inden for én cyklus) og interperiode-tendenser (på tværs af cyklusser), hvilket muliggør kraftfulde 2D-konvolutionelle arkitekturer til at modellere temporal variation.
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.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/da/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.
- Autoformer: Transformer-dekomposition til langtids-tidsserieprognoserDyb læring↔ compare
- PatchTSTDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →