PatchTST
PatchTST è un'architettura Transformer basata su patch per la previsione di serie temporali, introdotta da Nie e colleghi nel 2023, che suddivide ciascuna serie in patch sovrapposte trattate come token ed elabora i canali in modo indipendente. Bilancia l'efficienza computazionale con una forte accuratezza nelle previsioni a lungo termine.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/it/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.
- Modello ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Predizione conforme per previsioni di serie temporaliEconometria↔ compare
- Random ForestApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →