TimesNet: Temporal 2D-Variation Modeling for Time Series
TimesNet er en generell tidsseriemodell introdusert av Wu et al. på ICLR 2023. Dens sentrale idé er at univariat eller multivariat tidsserie kan re-tolkes som samlinger av todimensjonale temporale kart ved å omforme 1D-signalet i henhold til dets dominerende periodisiteter, oppdaget via Fast Fourier Transform. Denne 1D-til-2D-transformasjonen eksponerer både intraperiodemønstre (innenfor én syklus) og interperiodetrender (på tvers av sykluser), noe som muliggjør kraftige 2D konvolusjonelle arkitekturer for å modellere temporal variasjon.
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.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/no/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 for Decomposing Long-Term TidsserierprognoserDyp læring↔ compare
- PatchTSTDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →