TimesNet: מידול שינויים דו-ממדיים בזמן עבור סדרות עתיות
TimesNet הוא מודל כללי לסדרות עתיות שהוצג על ידי Wu et al. ב-ICLR 2023. הרעיון המרכזי שלו הוא שניתן לפרש מחדש סדרות עתיות חד-ממדיות או רב-ממדיות כאוספי מפות עתיות דו-ממדיות על ידי שינוי צורת האות ה-1D בהתאם למחזורי השלטון שלו, שזוהו באמצעות התמרת פורייה מהירה (Fast Fourier Transform). טרנספורמציה זו מ-1D ל-2D חושפת דפוסים תוך-מחזוריים (בתוך מחזור אחד) ומגמות בין-מחזוריות (בין מחזורים), ומאפשרת לארכיטקטורות קונבולוציה דו-ממדיות חזקות למדל שינויים עתיים.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/he/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: טרנספורמר מבוסס פירוק לחיזוי סדרות עתיות ארוכות טווחלמידה עמוקה↔ compare
- PatchTSTלמידה עמוקה↔ compare