TimesNet: Zamansal 2B-Varyasyon Modellemesi için Zaman Serileri
TimesNet (Temporal 2D-Variation Modeling) · Ayrıca şöyle bilinir: Temporal 2D-Variation Network, TimesNet Model, 2D Time-Series Network, Zamansal 2B Varyasyon Ağı
TimesNet, Wu ve diğerlerinin ICLR 2023'te tanıttığı genel amaçlı bir zaman serisi modelidir. Temel fikri, tek değişkenli veya çok değişkenli zaman serilerinin, Hızlı Fourier Dönüşümü (FFT) yoluyla tespit edilen baskın periyotlarına göre 1B sinyalin yeniden şekillendirilmesiyle iki boyutlu zamansal haritalar koleksiyonları olarak yeniden yorumlanabileceğidir. Bu 1B'den 2B'ye dönüşüm, hem periyot içi örüntüleri (bir döngü içindeki) hem de periyotlar arası eğilimleri (döngüler boyunca) ortaya çıkararak, güçlü 2B evrişimli mimarilerin zamansal değişimi modellemesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TimesNet, belirgin periyodik veya yarı-periyodik yapı sergileyen zaman serileri için uygundur — uzun ufuklu tahmin, tamamlama, anomali tespiti ve sınıflandırma. Birden fazla örtüşen döngünün mevcut olduğu durumlarda iyi çalışır (örneğin, saatlik verilerde günlük ve haftalık ritimler). Model, kesinlikle aperiodik veya tamamen stokastik sinyaller, FFT tabanlı periyot tespiti güvenilmez olan çok kısa diziler veya aşırı yüksek hesaplama bütçesi kısıtlamaları olan ortamlar için daha az uygundur. Yama tabanlı dikkat daha yorumlanabilir veya hesaplama açısından daha ucuz olduğunda PatchTST veya iTransformer gibi alternatifler tercih edilebilir.
Güçlü yönler & sınırlılıklar
- 1B zamansal modellemenin zor problemini, onlarca yıllık CNN araştırmalarından yararlanarak iyi çalışılmış 2B görüntü benzeri evrişime dönüştürür.
- Manuel hiperparametre belirtimi olmaksızın FFT tabanlı periyot tespiti yoluyla her veri kümesinin baskın periyotlarına otomatik olarak uyum sağlar.
- Beş standart zaman serisi görevini (tahmin, tamamlama, sınıflandırma, anomali tespiti, kısa vadeli tahmin) birleşik bir mimari içinde ele alır.
- Modüler TimesBlock tasarımı, 2B omurganın daha gelişmiş görüntü modülleriyle kolayca değiştirilmesine olanak tanır.
- FFT tabanlı periyot tespiti, en enerjik olarak baskın frekansların en bilgilendirici olduğunu varsayar, bu da düzensiz veya durağan olmayan seriler için geçerli olmayabilir.
- Dizi uzunluğunu tespit edilen periyotların katına çıkarmak için gereken dolgu, kısa menzilli tahminleri etkileyebilecek sınır artefaktları oluşturur.
- Hesaplama maliyeti, tespit edilen periyotların sayısı k ve dizi uzunluğu ile ölçeklenir, bu da çok uzun dizileri pahalı hale getirir.
- Inception tabanlı 2B omurga, hafif doğrusal veya MLP tabanlı temellere kıyasla önemli ölçüde parametre sayısı ekler.
SSS
TimesNet, Transformer tabanlı tahminciler olan Autoformer'dan nasıl farklıdır?
Autoformer, 1B dizi alanında zamansal bağımlılıkları modellemek için ayrıştırma ve otokorelasyon tabanlı dikkat kullanır. TimesNet, dikkatten tamamen kaçınır, bunun yerine FFT ile tespit edilen periyotlara dayalı olarak serileri 2B haritalara yeniden şekillendirir ve 2B evrişimler uygular. Bu, kendi kendine dikkatin karesel maliyetinden kaçınır ve saf Transformer'ların sıralı zamansal verilerle mücadele etmesine neden olan permütasyon-bağlamazlık sınırlamasından kaçınır.
TimesNet, farklı baskın periyotlara sahip kanalları olan çok değişkenli serileri işleyebilir mi?
TimesNet'te periyot tespiti, FFT spektrumunun tüm kanallar arasında ortalanmasından sonra uygulanır, bu nedenle tek bir periyot seti kanallar arasında paylaşılır. Bu, modelin kanalların baskın periyotları paylaştığını varsaydığı anlamına gelir. Güçlü heterojen kanal ritimlerine sahip veri kümeleri için, kanal bağımsız varyantlar veya kanal özel periyot tespiti karıştırma daha uygun olabilir.
TimesNet çok kısa zaman serileri (50 adımdan az) için uygun mudur?
Dizi uzunluğuyla orantılı olarak frekans çözünürlüğü olduğundan, FFT tabanlı periyot tespiti dizi çok kısayken güvenilmez hale gelir. 50 adımdan az adımda, belirlenen periyotlar gerçek döngülerden ziyade gürültüye karşılık gelebilir ve 2B yeniden şekillendirme yalnızca bir veya iki satır içeren matrisler üretebilir. Kısa diziler için, daha basit MLP veya tekrarlayan modeller genellikle daha güvenilir seçeneklerdir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/tr/deep-learning/timesnet
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Autoformer: Uzun Süreli Zaman Serisi Tahmini için Ayrıştırma Transformer'ıDerin öğrenme↔ karşılaştır