PatchTST
PatchTST est une architecture Transformer basée sur des patchs pour la prévision de séries temporelles, introduite par Nie et ses collègues en 2023, qui découpe chaque série en patchs chevauchants traités comme des tokens et traite les canaux indépendamment. Elle équilibre l'efficacité computationnelle avec une forte précision sur les prévisions à long horizon.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/fr/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.
- Modèle ARIMA (Autoregressive Integrated Moving Average)Économétrie↔ compare
- Conformal Prediction pour la prévision de séries temporellesÉconométrie↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →