PatchTST
A PatchTST egy idősor-előrejelzésre optimalizált, patch-alapú Transformer architektúra, amelyet Nie és munkatársai vezettek be 2023-ban. Az architektúra az egyes sorozatokat átfedő patchekre (foltokra) bontja, amelyeket tokene Кént kezel, és a csatornákat függetlenül dolgozza fel. Ezzel egyensúlyt teremt a számítási hatékonyság és a hosszú távú előrejelzések pontossága között.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/hu/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.
- ARIMA (Autoregressive Integrated Moving Average) modellÖkonometria↔ compare
- Konform előrejelzés idősorok előrejelzéséhezÖkonometria↔ compare
- Véletlen erdőGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →