PatchTST
PatchTST on aikasarjaennustukseen kehitetty paikkapohjainen Transformer-arkkitehtuuri, jonka Nie ja kollegat esittelivät vuonna 2023. Se pilkkoo kunkin sarjan päällekkäisiin osiin, joita käsitellään tokeneina, ja prosessoi kanavat itsenäisesti. Se tasapainottaa laskennallista tehokkuutta ja vahvaa tarkkuutta pitkän aikavälin ennustamisessa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/fi/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.
- ARIMA (Autoregressive Integrated Moving Average) -malliEkonometria↔ compare
- Konforminen ennustaminen aikasarjaennustamisessaEkonometria↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →