TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลา
TimesNet เป็นแบบจำลองอนุกรมเวลาอเนกประสงค์ที่นำเสนอโดย Wu และคณะ ในงาน ICLR 2023 แนวคิดหลักคืออนุกรมเวลาแบบเอกแปรหรือหลายแปรสามารถตีความใหม่ได้ว่าเป็นชุดของแผนที่เชิงเวลาแบบสองมิติ โดยการปรับรูปร่างสัญญาณ 1 มิติให้สอดคล้องกับคาบที่เด่นชัดที่สุด ซึ่งตรวจจับได้ผ่านการแปลงฟูเรียร์อย่างรวดเร็ว (Fast Fourier Transform) การแปลงจาก 1 มิติเป็น 2 มิตินี้จะเผยให้เห็นทั้งรูปแบบภายในคาบ (intraperiod patterns) และแนวโน้มระหว่างคาบ (interperiod trends) ทำให้สถาปัตยกรรมคอนโวลูชัน 2 มิติที่มีประสิทธิภาพสามารถสร้างแบบจำลองความแปรปรวนเชิงเวลาได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/th/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 สำหรับการพยากรณ์อนุกรมเวลาในระยะยาวการเรียนรู้เชิงลึก↔ compare
- PatchTSTการเรียนรู้เชิงลึก↔ compare