เปรียบเทียบวิธี

	TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลา	Autoformer: Decomposition Transformer สำหรับการพยากรณ์อนุกรมเวลาในระยะยาว
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2021
ผู้ริเริ่ม	Haixu Wu et al.	Haixu Wu et al. (Tsinghua)
ประเภท	2D convolutional time-series model	Decomposition-based deep forecasting model
แหล่งต้นตำรับ	Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet: Temporal 2D-variation modeling for general time series analysis. ICLR.	Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34.
ชื่อเรียกอื่น	Temporal 2D-Variation Network, TimesNet Model, 2D Time-Series Network, Zamansal 2B Varyasyon Ağı	Auto-Correlation Transformer, Decomposition Transformer, Series Decomposition Forecaster, Oto-Korelasyon Ayrışım Transformer
ที่เกี่ยวข้อง	2	4
สรุป	TimesNet is a general-purpose time-series model introduced by Wu et al. at ICLR 2023. Its central idea is that univariate or multivariate time series can be reinterpreted as collections of two-dimensional temporal maps by reshaping the 1D signal according to its dominant periodicities, detected via Fast Fourier Transform. This 1D-to-2D transformation exposes both intraperiod patterns (within one cycle) and interperiod trends (across cycles), enabling powerful 2D convolutional architectures to model temporal variation.	Autoformer is a deep learning architecture for long-term time-series forecasting, introduced by Wu et al. from Tsinghua University at NeurIPS 2021. It replaces the standard self-attention mechanism with an Auto-Correlation mechanism that exploits periodic dependencies in the frequency domain, and embeds a progressive series decomposition block throughout the encoder and decoder to separately model trend and seasonal components.