PatchTST
PatchTST ir uz plākstuļiem balstīta Transformer arhitektūra laika sēriju prognozēšanai, ko 2023. gadā ieviesa Nie un kolēģi. Tā sadala katru sēriju pārklājošos plāksteros, kas tiek apstrādāti kā atsevišķi elementi (tokens), un apstrādā kanālus neatkarīgi. Tā līdzsvaro aprēķinu efektivitāti ar augstu precizitāti prognozēšanā uz ilgu laika horizontu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/lv/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 (autoregresīvais integrētais slīdošā vidējā) modelisEkonometrija↔ compare
- Konformālā prognozēšana laika sēriju prognozēšanaiEkonometrija↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →