PatchTST
PatchTST es una arquitectura Transformer basada en parches para la predicción de series temporales, introducida por Nie y colegas en 2023, que divide cada serie en parches superpuestos tratados como tokens y procesa los canales de forma independiente. Equilibra la eficiencia computacional con una alta precisión en la predicción a largo plazo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/es/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometría↔ compare
- Predicción Conforme para Pronóstico de Series TemporalesEconometría↔ compare
- Random ForestAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →