TimesNet: Моделирање 2D дво-димензионалних временских варијација за временске серије
TimesNet је општи модел за временске серије који су увели Wu et al. на ICLR 2023. Његова централна идеја је да се униваријантне или мултиваријантне временске серије могу поново интерпретирати као колекције дво-димензионалних временских мапа преобликовањем 1D сигнала у складу са његовим доминантним периодичностима, детектованим путем брзе Фуријеове трансформације (FFT). Ова 1D-у-2D трансформација открива како унутарпериодне обрасце (унутар једног циклуса), тако и међупериодне трендове (кроз циклусе), омогућавајући моћним 2D конволуционим архитектурама да моделирају временске варијације.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/sr/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.
- AutoformerDuboko učenje↔ compare
- PatchTSTDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →