PatchTST
PatchTST este o arhitectură Transformer bazată pe patch-uri pentru prognoza seriilor temporale, introdusă de Nie și colaboratorii săi în 2023, care împarte fiecare serie în patch-uri suprapuse tratate ca token-uri și procesează canalele independent. Aceasta echilibrează eficiența computațională cu o acuratețe ridicată pe prognoza pe termen lung.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/ro/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.
- Modelul ARIMA (Autoregresiv Integrat cu Medii Mobile)Econometrie↔ compare
- Predicția conformă pentru prognoza seriilor de timpEconometrie↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →