PatchTST
PatchTST je arhitektura Transformer utemeljena na zakrpama za prognoziranje vremenskih nizova, koju su uveli Nie i suradnici 2023., a koja dijeli svaki niz na preklapajuće zakrpe tretirane kao tokeni te obrađuje kanale neovisno. Uravnotežuje računalnu učinkovitost sa snažnom točnošću u prognoziranju na dugim horizontima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/hr/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.
- Model ARIMA (Autoregresivni integrirani pokretni prosjek)Ekonometrija↔ compare
- Konformalno predviđanje za prognoziranje vremenskih nizovaEkonometrija↔ compare
- Slučajna šumaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →