Patch Time Series Transformer
Подача до Transformer одного часового кроку за раз призводить до марнування уваги на крихітних, зашумлених фрагментах і погано масштабується для довгих історій. Натомість PatchTST групує послідовні точки в короткі перекривні вікна, звані патчами, і розглядає кожен патч як єдиний токен — подібно до того, як речення читається слово за словом, а не літера за літерою. Це надає кожному токену багатший локальний контекст, скорочує послідовність, яку повинен обробляти механізм уваги, і дозволяє моделі ефективно вловлювати довгострокові закономірності.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/uk/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.
- Модель ARIMA (Авторегресійна інтегрована ковзна середня)Економетрика↔ compare
- Конформне прогнозування для прогнозування часових рядівЕконометрика↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →