TimesNet: Modelovanie časových radov pomocou 2D-variácií
TimesNet je všeobecný model časových radov, ktorý predstavili Wu et al. na konferencii ICLR 2023. Jeho hlavnou myšlienkou je, že univariátne alebo multivariátne časové rady možno reinterpretovať ako súbory dvojrozmerných časových máp preformátovaním 1D signálu podľa jeho dominantných periodicít, detegovaných pomocou rýchlej Fourierovej transformácie (FFT). Táto transformácia z 1D na 2D odhaľuje vnútroperiodické vzory (v rámci jedného cyklu) aj medziperiodické trendy (naprieč cyklami), čo umožňuje výkonným 2D konvolučným architektúram modelovať časovú variáciu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet: Temporal 2D-variation modeling for general time series analysis. ICLR. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/sk/deep-learning/timesnet
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.
- Autoformer: dekompozičný Transformer pre dlhodobé časové radyHlboké učenie↔ compare
- PatchTSTHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →