SegRNN: Segment Recurrent Neural Network för långsiktig tidsserieprognostisering
SegRNN är en rekurrent neural nätverksarkitektur för långsiktig tidsserieprognostisering som föreslogs av Shengsheng Lin et al. år 2023. Istället för att bearbeta ett tidssteg i taget, delar SegRNN upp indatasekvenser i segment av fast längd och matar in varje segment som en enskild token i en GRU. Denna segmentbaserade design reducerar drastiskt antalet rekurrenta iterationer, vilket adresserar den välkända svårighet som RNN:er möter när de modellerar mycket långa beroenden över många individuella steg.
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.
Källor
- Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). SegRNN (Segment Recurrent Neural Network). ScholarGate. https://scholargate.app/sv/deep-learning/segrnn
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.
- Gated Recurrent Unit (GRU)Djupinlärning↔ compare
- LSTMDjupinlärning↔ compare
- PatchTSTDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →