Machine learningTime-series forecasting

FreTS: Многослойные перцептроны в частотной области для прогнозирования временных рядов

FreTS — это архитектура для прогнозирования временных рядов, представленная Йи и др. на NeurIPS 2023. Она отличается от дизайнов на основе трансформеров тем, что применяет простые многослойные перцептроны (MLP) полностью в частотной области. Модель преобразует входные последовательности с помощью дискретного преобразования Фурье, а затем изучает временные и канальные зависимости через комплексные MLP-слои, достигая конкурентоспособной или превосходящей точности долгосрочного прогнозирования при существенно более низких вычислительных затратах.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). Frequency-domain MLPs are more effective learners in time series forecasting. NeurIPS. link

Как цитировать эту страницу

ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/ru/deep-learning/frets

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.

Compare side by side
ScholarGateFreTS (FreTS (Frequency-domain MLPs for Forecasting)). Получено 2026-06-15 из https://scholargate.app/ru/deep-learning/frets · Набор данных: https://doi.org/10.5281/zenodo.20539026