TimesNet: Ajallinen 2D-vaihtelun mallintaminen aikasarjoissa
TimesNet on yleiskäyttöinen aikasarjamalli, jonka Wu et al. esittelivät ICLR 2023 -konferenssissa. Sen keskeinen ajatus on, että yksi- tai monimuuttujaiset aikasarjat voidaan tulkita uudelleen kokoelmina kaksiulotteisia ajallisia karttoja muokkaamalla 1D-signaalia sen hallitsevien jaksollisuuksien mukaan, jotka havaitaan nopean Fourier-muunnoksen (FFT) avulla. Tämä 1D-2D-muunnos paljastaa sekä jakson sisäisiä (yhden syklin sisällä) että jaksojen välisiä (syklien välillä) trendejä, mikä mahdollistaa tehokkaiden 2D-konvoluutioarkkitehtuurien käytön ajallisen vaihtelun mallintamiseen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/fi/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: Dekompositio-muuntaja pitkän aikavälin aikasarjaennustamiseenSyväoppiminen↔ compare
- PatchTSTSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →