PatchTST
PatchTST là một kiến trúc Transformer dựa trên phân đoạn cho dự báo chuỗi thời gian, được giới thiệu bởi Nie và cộng sự vào năm 2023, phân chia mỗi chuỗi thành các phân đoạn chồng lấn được xử lý như các token và xử lý các kênh một cách độc lập. Nó cân bằng hiệu quả tính toán với độ chính xác cao trong dự báo tầm xa.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 1). Patch Time Series Transformer. ScholarGate. https://scholargate.app/vi/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.
- Mô hình ARIMA (Autoregressive Integrated Moving Average)Kinh tế lượng↔ compare
- Dự báo Chuỗi Thời gian bằng Dự đoán Hợp thứcKinh tế lượng↔ compare
- Rừng ngẫu nhiênHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →