SegRNN: Segment Recurrent Neural Network dla długoterminowego prognozowania szeregów czasowych
SegRNN to rekurencyjna architektura sieci neuronowej do długoterminowego prognozowania szeregów czasowych, zaproponowana przez Shengsheng Lin i wsp. w 2023 roku. Zamiast przetwarzać jeden krok czasowy na raz, SegRNN dzieli sekwencje wejściowe na segmenty o ustalonej długości i podaje każdy segment jako pojedynczy token do GRU. Ta oparta na segmentach konstrukcja drastycznie zmniejsza liczbę iteracji rekurencyjnych, rozwiązując znany problem, z którym RNN mają trudności w modelowaniu bardzo długich zależności na przestrzeni wielu indywidualnych kroków.
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.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/pl/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.
- Jednostka bramkowana rekurencyjna (GRU)Uczenie głębokie↔ compare
- LSTMUczenie głębokie↔ compare
- PatchTSTUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →