PatchTST
PatchTST er en patch-basert Transformer-arkitektur for tidsserieprognoser, introdusert av Nie og kolleger i 2023, som deler hver serie inn i overlappende patcher behandlet som tokens og prosesserer kanaler uavhengig. Den balanserer beregningsmessig effektivitet med sterk nøyaktighet på prognoser med lang horisont.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/no/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) ModellØkonometri↔ compare
- Konform prediksjon for tidsserieprognoserØkonometri↔ compare
- Random ForestMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →