TimesNet: مدلسازی تغییرات دوبعدی زمانی برای سریهای زمانی
TimesNet یک مدل سری زمانی با کاربرد عمومی است که توسط وو و همکاران در ICLR 2023 معرفی شد. ایده اصلی آن این است که سریهای زمانی تکمتغیره یا چندمتغیره را میتوان با تغییر شکل سیگنال یکبعدی بر اساس تناوبهای غالب آن، که از طریق تبدیل فوریه سریع (FFT) شناسایی میشوند، به مجموعهای از نقشههای زمانی دوبعدی تفسیر کرد. این تبدیل یکبعدی به دوبعدی، هم الگوهای دروندورهای (درون یک چرخه) و هم روندهای بیندورهای (در طول چرخهها) را آشکار میکند و به معماریهای قدرتمند کانولوشن دوبعدی اجازه میدهد تا تغییرات زمانی را مدلسازی کنند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/fa/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.
- Autoformer: ترنسفورمر تجزیهکننده برای پیشبینی سریهای زمانی بلندمدتیادگیری عمیق↔ compare
- پچتیاستییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →