Metodbevispost

TiDE

TiDE (Time-series Dense Encoder) is an MLP-based encoder-decoder architecture for long-term multivariate time-series forecasting, introduced by Abhimanyu Das and colleagues at Google Research in 2023. The model encodes past time-series observations together with static and dynamic covariates through stacked dense (MLP) layers, then decodes a latent representation into future forecasts. TiDE demonstrates that simple linear and dense architectures can match or outperform Transformer-based models on standard long-term forecasting benchmarks while being significantly faster.

Sources recorded, not reviewed

Källpost

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

TiDE (Time-series Dense Encoder)

Taxonomisk metodpost · ml-model / deep-learning

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. · 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.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Same method familyMultilayer Perceptronmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTSMixermachine-suggested · Relational suggestion, not evidence.