Machine learning
PatchTST
PatchTST는 Nie와 동료들이 2023년에 소개한 시계열 예측을 위한 패치 기반 트랜스포머 아키텍처로, 각 시계열을 토큰으로 처리되는 중첩된 패치로 분할하고 채널을 독립적으로 처리합니다. 이는 계산 효율성과 장기 예측에서의 강력한 정확도를 균형 있게 맞춥니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/ko/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) 모형계량경제학↔ compare
- 시계열 예측을 위한 Conformal Prediction계량경제학↔ compare
- 랜덤 포레스트머신러닝↔ compare