PatchTST
Το PatchTST είναι μια αρχιτεκτονική Transformer βασισμένη σε «μπαλώματα» (patches) για την πρόβλεψη χρονοσειρών, η οποία εισήχθη από τον Nie και τους συνεργάτες του το 2023. Κόβει κάθε σειρά σε επικαλυπτόμενα μπαλώματα που αντιμετωπίζονται ως διακριτικά (tokens) και επεξεργάζεται τα κανάλια ανεξάρτητα. Ισορροπεί την υπολογιστική αποδοτικότητα με την ισχυρή ακρίβεια στην πρόβλεψη μακρού ορίζοντα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/el/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.
- Μοντέλο ARIMA (Autoregressive Integrated Moving Average)Οικονομετρία↔ compare
- Conformal Prediction για Πρόβλεψη ΧρονοσειρώνΟικονομετρία↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →