SegRNN : Réseau Neuronal Récurrent Segmenté pour la Prévision à Long Terme de Séries Temporelles
SegRNN est une architecture de réseau neuronal récurrent pour la prévision à long terme de séries temporelles, proposée par Shengsheng Lin et al. en 2023. Au lieu de traiter une étape temporelle à la fois, SegRNN partitionne les séquences d'entrée en segments de longueur fixe et alimente chaque segment comme un seul jeton dans un GRU. Cette conception basée sur des segments réduit considérablement le nombre d'itérations récurrentes, abordant ainsi la difficulté bien connue que les RNN rencontrent dans la modélisation de dépendances très longues sur de nombreuses étapes individuelles.
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.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/fr/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.
- Unité récurrente à portes (GRU)Apprentissage profond↔ compare
- LSTMApprentissage profond↔ compare
- PatchTSTApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →