PatchTST
PatchTST is een op patches gebaseerde Transformer-architectuur voor tijdreeksvoorspelling, geïntroduceerd door Nie en collega's in 2023, die elke reeks opdeelt in overlappende patches die als tokens worden behandeld en kanalen onafhankelijk verwerkt. Het balanceert computationele efficiëntie met sterke nauwkeurigheid op voorspellingen over lange horizonten.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/nl/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) ModelEconometrie↔ compare
- Conforme voorspelling voor tijdreeksvoorspellingenEconometrie↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →