SegRNN: شبکه عصبی بازگشتی قطعهای برای پیشبینی بلندمدت سریهای زمانی
SegRNN یک معماری شبکه عصبی بازگشتی برای پیشبینی بلندمدت سریهای زمانی است که توسط Shengsheng Lin و همکاران در سال ۲۰۲۳ پیشنهاد شد. SegRNN به جای پردازش یک گام زمانی در هر لحظه، دنبالههای ورودی را به قطعاتی با طول ثابت تقسیم میکند و هر قطعه را به عنوان یک توکن واحد به یک GRU وارد میکند. این طراحی مبتنی بر قطعه، تعداد تکرارهای بازگشتی را به شدت کاهش میدهد و به مشکل شناختهشدهای که شبکههای عصبی بازگشتی (RNN) در مدلسازی وابستگیهای بسیار طولانی در بسیاری از گامهای فردی با آن مواجه هستند، رسیدگی میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/fa/deep-learning/segrnn
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.
- واحد بازگشتی دروازهای (GRU)یادگیری عمیق↔ compare
- LSTMیادگیری عمیق↔ compare
- پچتیاستییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →