TimesNet: Temporale 2D-Varianzmodellierung für Zeitreihen
TimesNet ist ein universelles Zeitreihenmodell, das von Wu et al. auf der ICLR 2023 vorgestellt wurde. Die zentrale Idee ist, dass univariate oder multivariate Zeitreihen als Sammlungen zweidimensionaler temporaler Karten neu interpretiert werden können, indem das 1D-Signal entsprechend seiner dominanten Periodizitäten, die mittels Fast Fourier Transform (FFT) ermittelt werden, umgeformt wird. Diese 1D-zu-2D-Transformation deckt sowohl Intraperioden-Muster (innerhalb eines Zyklus) als auch Interperioden-Trends (über Zyklen hinweg) auf und ermöglicht leistungsstarken 2D-Faltungsarchitekturen die Modellierung temporaler Varianz.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/de/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: Decomposition Transformer für die Langzeit-ZeitreihenprognoseDeep Learning↔ compare
- PatchTSTDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →