PatchTST
PatchTST är en patch-baserad Transformer-arkitektur för tidsserieprognoser, introducerad av Nie och kollegor 2023, som delar upp varje serie i överlappande patchar som behandlas som tokens och bearbetar kanaler oberoende. Den balanserar beräkningseffektivitet med stark noggrannhet vid prognoser med lång horisont.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/sv/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.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ compare
- Konform prediktion för tidsserieprognoserEkonometri↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →