PatchTST
PatchTST adalah arsitektur Transformer berbasis tambalan (patch) untuk peramalan deret waktu, yang diperkenalkan oleh Nie dan kolega pada tahun 2023, yang memotong setiap deret menjadi tambalan yang tumpang tindih yang diperlakukan sebagai token dan memproses saluran secara independen. Model ini menyeimbangkan efisiensi komputasi dengan akurasi yang kuat pada peramalan cakrawala panjang.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/id/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 (Autoregressive Integrated Moving Average)Ekonometrika↔ compare
- Prediksi Konformasi untuk Peramalan Deret WaktuEkonometrika↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →