Machine learning
پچتیاستی
پچتیاستی یک معماری مبتنی بر پچ برای سریهای زمانی است که توسط نی و همکارانش در سال ۲۰۲۳ معرفی شد. این معماری هر سری را به پچهای همپوشان تقسیم میکند که به عنوان توکن در نظر گرفته میشوند و کانالها را به طور مستقل پردازش میکند. این روش، کارایی محاسباتی را با دقت بالا در پیشبینیهای بلندمدت متعادل میکند.
مطالعهٔ کامل روش
ویژهٔ اعضا
ورودبرای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/fa/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.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ compare
- پیشبینی انطباقی برای پیشبینی سریهای زمانیاقتصادسنجی↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
CrossformerDeepARمدل خطی تجزیهپذیر برای پیشبینی سریهای زمانی (DLinear)InformeriTransformer: ترانسفورمر معکوس برای پیشبینی سریهای زمانی چندمتغیرهمویرای: ترانسفورمر جهانی پیشبینی سریهای زمانیN-HiTSSegRNN: شبکه عصبی بازگشتی قطعهای برای پیشبینی بلندمدت سریهای زمانیترنسفورمر ادغامی زمانیTimesFM: یک مدل پایه فقط-رمزگشا برای پیشبینی سریهای زمانیTimesNet: مدلسازی تغییرات دوبعدی زمانی برای سریهای زمانی
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →