Machine learning
PatchTST
PatchTST เป็นสถาปัตยกรรม Transformer แบบแบ่งส่วน (patch-based) สำหรับการพยากรณ์อนุกรมเวลา ซึ่งนำเสนอโดย Nie และคณะในปี 2023 โดยแบ่งอนุกรมเวลาแต่ละชุดออกเป็นส่วนๆ ที่ซ้อนทับกัน (overlapping patches) ซึ่งถูกประมวลผลเสมือนโทเค็น (tokens) และประมวลผลแต่ละช่องสัญญาณ (channels) อย่างอิสระ สถาปัตยกรรมนี้สร้างสมดุลระหว่างประสิทธิภาพในการคำนวณและความแม่นยำสูงในการพยากรณ์ระยะยาว
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
แหล่งอ้างอิง
- Nie, Y., Nguyen, N. H., Sinthong, P. & Kalagnanam, J. (2023). A Time Series is Worth 64 Words: Long-term Forecasting with Transformers. ICLR. link ↗
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L. & Jin, R. (2022). FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting. ICML. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/th/deep-learning/patchtst
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.
- แบบจำลอง ARIMA (Autoregressive Integrated Moving Average)เศรษฐมิติ↔ compare
- การพยากรณ์แบบคอนฟอร์มอลสำหรับอนุกรมเวลาเศรษฐมิติ↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
ถูกอ้างอิงโดย
CrossformerDeepARDLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลาInformeriTransformer: การแปลงอินเวอร์สสำหรับอนุกรมเวลาหลายตัวแปรMoirai: แบบจำลองพื้นฐานสำหรับการพยากรณ์อนุกรมเวลาแบบสากลN-HiTSSegRNN: Segment Recurrent Neural Network สำหรับการพยากรณ์อนุกรมเวลาแบบระยะยาวตัวแปลงฟิวชั่นเชิงเวลาTimesFM: แบบจำลองพื้นฐานแบบถอดรหัสเท่านั้นสำหรับการพยากรณ์อนุกรมเวลาTimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลา