TimesNet: Temporal 2D-Variation Modeling for Time Series
TimesNet är en generell tidsseriemodell som introducerades av Wu et al. vid ICLR 2023. Dess centrala idé är att univariata eller multivariata tidsserier kan omtolkas som samlingar av tvådimensionella temporala kartor genom att omforma den 1D-signalen enligt dess dominanta periodiciteter, vilka detekteras via Fast Fourier Transform. Denna 1D-till-2D-transformation exponerar både intraperiodiska mönster (inom en cykel) och interperiodiska trender (över cykler), vilket möjliggör kraftfulla 2D-konvolutionella arkitekturer för att modellera temporal variation.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/sv/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: Decomposition Transformer för långsiktig tidsserieprognostiseringDjupinlärning↔ compare
- PatchTSTDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →