SegRNN: Segment Recurrent Neural Network voor Lange-termijn Tijdreeksvoorspelling
SegRNN is een recurrent neuraal netwerkarchitectuur voor lange-termijn tijdreeksvoorspelling, voorgesteld door Shengsheng Lin et al. in 2023. In plaats van één tijdstap tegelijk te verwerken, partitioneert SegRNN invoersequenties in segmenten van vaste lengte en voedt elk segment als een enkele token in een GRU. Dit segmentgebaseerde ontwerp vermindert drastisch het aantal recursieve iteraties, wat de bekende moeilijkheid aanpakt die RNN's ondervinden bij het modelleren van zeer lange afhankelijkheden over vele individuele stappen.
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.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/nl/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.
- Gated Recurrent Unit (GRU)Deep learning↔ compare
- LSTMDeep learning↔ compare
- PatchTSTDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →