TiDE: Time-series Dense Encoder
TiDE (Time-series Dense Encoder) är en MLP-baserad kodar-avkodar-arkitektur för långsiktig multivariat tidsserieprognostisering, introducerad av Abhimanyu Das och kollegor vid Google Research 2023. Modellen kodar tidigare tidsserieobservationer tillsammans med statiska och dynamiska kovariater genom staplade täta (MLP) lager, och avkodar sedan en latent representation till framtida prognoser. TiDE visar att enkla linjära och täta arkitekturer kan matcha eller överträffa Transformer-baserade modeller på standardiserade riktmärken för långsiktig prognostisering, samtidigt som de är betydligt snabbare.
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
- Das, A., Kong, W., Leach, A., Mathur, S., Sen, R., & Yu, R. (2023). Long-term forecasting with TiDE: Time-series dense encoder. Transactions on Machine Learning Research. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). TiDE (Time-series Dense Encoder). ScholarGate. https://scholargate.app/sv/deep-learning/tide
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.
- DLinear: Decomposition Linear Model för tidsserieprognoserDjupinlärning↔ compare
- Multilayer Perceptron (MLP)Djupinlärning↔ compare
- TSMixer: All-MLP-arkitektur för tidsserieprognoserDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →