PatchTST
PatchTST to jest oparta na łatach (ang. patch) architektura Transformer do prognozowania szeregów czasowych, wprowadzona przez Nie i współpracowników w 2023 roku, która dzieli każdy szereg na nakładające się na siebie łaty traktowane jako tokeny i przetwarza kanały niezależnie. Równoważy ona efektywność obliczeniową z wysoką dokładnością w prognozowaniu długoterminowym.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/pl/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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometria↔ compare
- Predykcja konforemna dla prognozowania szeregów czasowychEkonometria↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →