PatchTST
PatchTST — это основанная на патчах архитектура трансформера для прогнозирования временных рядов, представленная Ни и его коллегами в 2023 году, которая разрезает каждый ряд на перекрывающиеся патчи, рассматриваемые как токены, и обрабатывает каналы независимо. Она обеспечивает баланс между вычислительной эффективностью и высокой точностью при долгосрочном прогнозировании.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/ru/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.
- Модель ARIMA (авторегрессионная интегрированная скользящая средняя)Эконометрика↔ compare
- Конформное прогнозирование для временных рядовЭконометрика↔ compare
- Случайный лесМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →