TimesNet: Моделювання часових 2D-варіацій для часових рядів
TimesNet — це модель часових рядів загального призначення, представлена Ву та ін. на ICLR 2023. Її центральна ідея полягає в тому, що одновимірні або багатовимірні часові ряди можна переосмислити як сукупності двовимірних часових карт шляхом зміни форми 1D-сигналу відповідно до його домінантних періодичностей, виявлених за допомогою швидкого перетворення Фур'є. Це 1D-до-2D перетворення виявляє як внутрішньоперіодні закономірності (в межах одного циклу), так і міжперіодні тенденції (між циклами), дозволяючи потужним 2D згортковим архітектурам моделювати часові варіації.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/uk/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.
- AutoformerГлибоке навчання↔ compare
- PatchTSTГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →