PatchTST
PatchTST ist eine Patch-basierte Transformer-Architektur für Zeitreihenprognosen, die 2023 von Nie und Kollegen eingeführt wurde. Sie teilt jede Serie in überlappende Patches auf, die als Tokens behandelt werden, und verarbeitet Kanäle unabhängig voneinander. Sie balanciert rechnerische Effizienz mit hoher Genauigkeit bei Prognosen über lange Horizonte.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/de/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-Modell (Autoregressive Integrated Moving Average)Ökonometrie↔ compare
- Konforme Prädiktion für ZeitreihenprognosenÖkonometrie↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →