TimesNet: La laika datu 2D-variāciju modelēšana
TimesNet ir vispārīgas nozīmes laika datu modelis, ko 2023. gadā ICLR konferencē iepazīstināja Wu et al. Tā galvenā ideja ir tāda, ka vienu vai vairāku mainīgo laika datus var interpretēt kā divdimensiju (2D) temporālo karšu kopumu, pārveidojot 1D signālu atbilstoši tā dominējošajām periodiskajām īpašībām, kas noteiktas, izmantojot ātru Furjē transformāciju (FFT). Šī 1D-uz-2D transformācija atklāj gan intraperiodiskos (viena cikla ietvaros) modeļus, gan interperiodiskās (starp cikliem) tendences, ļaujot jaudīgām 2D konvolūciju arhitektūrām modelēt temporālās variācijas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet: Temporal 2D-variation modeling for general time series analysis. ICLR. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/lv/deep-learning/timesnet
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.
- Autoformer: Transformer ar dekompozīciju ilgtermiņa laika virkņu prognozēšanaiDziļā mācīšanās↔ compare
- PatchTSTDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →