SegRNN: Segment Recurrent Neural Network für langfristige Zeitreihenprognosen
SegRNN ist eine rekurrente neuronale Netzwerkarchitektur für langfristige Zeitreihenprognosen, die 2023 von Shengsheng Lin et al. vorgeschlagen wurde. Anstatt einen Zeitschritt nach dem anderen zu verarbeiten, teilt SegRNN Eingabesequenzen in Segmente fester Länge auf und speist jedes Segment als einzelnes Token in ein GRU ein. Dieses segmentbasierte Design reduziert drastisch die Anzahl der rekurrenten Iterationen und adressiert die bekannte Schwierigkeit, die RNNs bei der Modellierung sehr langer Abhängigkeiten über viele einzelne Schritte hinweg haben.
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.
Quellen
- Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/de/deep-learning/segrnn
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.
- Gated Recurrent Unit (GRU)Deep Learning↔ compare
- LSTMDeep Learning↔ compare
- PatchTSTDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →