PatchTST
PatchTST é uma arquitetura Transformer baseada em patches para previsão de séries temporais, introduzida por Nie e colegas em 2023, que divide cada série em patches sobrepostos tratados como tokens e processa os canais independentemente. Equilibra eficiência computacional com alta precisão em previsões de longo horizonte.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/pt/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Previsão Conforme para Previsão de Séries TemporaisEconometria↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →