SegRNN: Segment Recurrent Neural Network per la previsione di serie temporali a lungo termine
SegRNN è un'architettura di rete neurale ricorrente per la previsione di serie temporali a lungo termine proposta da Shengsheng Lin et al. nel 2023. Invece di elaborare un passo temporale alla volta, SegRNN partiziona le sequenze di input in segmenti di lunghezza fissa e alimenta ogni segmento come un singolo token in una GRU. Questa progettazione basata su segmenti riduce drasticamente il numero di iterazioni ricorrenti, affrontando la ben nota difficoltà che le RNN incontrano nel modellare dipendenze molto lunghe su molti singoli passi.
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.
Fonti
- Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/it/deep-learning/segrnn
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.
- Unità Ricorrente Gated (GRU)Apprendimento profondo↔ compare
- LSTMApprendimento profondo↔ compare
- PatchTSTApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →