TimesNet: Ajaline 2D-variatsiooni modelleerimine ajasarjade jaoks
TimesNet on üldotstarbeline ajasarjade mudel, mille autorid Wu jt. tutvustasid ICLR 2023 konverentsil. Selle keskne idee seisneb selles, et 1D signaali saab selle domineerivate perioodilisuste (määratud Fast Fourier Transform abil) järgi ümber kujundades interpreteerida univariatseid või multivariatseid ajasarju kahemõõtmeliste ajakaartide kogumitena. See 1D-lt 2D-le üleminek toob esile nii intraperioodilised mustrid (ühe tsükli sees) kui ka interperioodilised trendid (tsüklite vahel), võimaldades võimsatel 2D konvolutsioonilistel arhitektuuridel ajavariatsiooni modelleerida.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/et/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.
- AutoformerSüvaõpe↔ compare
- PatchTSTSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →