Metodbevispost

SegRNN

SegRNN is a recurrent neural network architecture for long-term time series forecasting proposed by Shengsheng Lin et al. in 2023. Instead of processing one time step at a time, SegRNN partitions input sequences into fixed-length segments and feeds each segment as a single token into a GRU. This segment-based design drastically reduces the number of recurrent iterations, addressing the well-known difficulty RNNs face when modeling very long dependencies over many individual steps.

Sources recorded, not reviewed

Källpost

Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.

SegRNN (Segment Recurrent Neural Network)

Taxonomisk metodpost · ml-model / deep-learning

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. · URL

Öppna fullständig metod

Kuraterade påståenden

Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.

Inga kuraterade påståenden ännu

Denna vy hittar inte på en påståendebedömning när loggen saknar en.

Relaterade metoder

Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.

Same method familyGRUmachine-suggested · Relational suggestion, not evidence.Same method familyLSTMmachine-suggested · Relational suggestion, not evidence.Same method familyPatchTSTmachine-suggested · Relational suggestion, not evidence.