TimesNet: Temporal 2D-Variation Modeling for Time Series
TimesNet is een algemeen inzetbaar tijdreeksmodel, geïntroduceerd door Wu et al. op ICLR 2023. Het centrale idee is dat univariabele of multivariabele tijdreeksen kunnen worden hergeïnterpreteerd als verzamelingen van tweedimensionale temporele kaarten door het 1D-signaal te herschikken volgens zijn dominante periodiciteiten, gedetecteerd via Fast Fourier Transform. Deze 1D-naar-2D-transformatie legt zowel intra-periodepatronen (binnen één cyclus) als inter-periodetrends (over cycli heen) bloot, waardoor krachtige 2D-convolutie-architecturen temporele variatie kunnen modelleren.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/nl/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: Decomposition Transformer voor Lange-termijn TijdreeksvoorspellingDeep learning↔ compare
- PatchTSTDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →