Machine learningTime-series forecasting

TimesNet: Mô hình hóa Biến thiên 2D theo Thời gian cho Chuỗi Thời gian

TimesNet là một mô hình chuỗi thời gian đa mục đích được giới thiệu bởi Wu và cộng sự tại ICLR 2023. Ý tưởng cốt lõi của nó là chuỗi thời gian đơn biến hoặc đa biến có thể được diễn giải lại thành các tập hợp bản đồ thời gian hai chiều bằng cách định hình lại tín hiệu 1D theo các chu kỳ chi phối của nó, được phát hiện thông qua Biến đổi Fourier Nhanh (FFT). Sự chuyển đổi 1D sang 2D này làm lộ ra cả các mẫu nội chu kỳ (trong một chu kỳ) và các xu hướng liên chu kỳ (qua các chu kỳ), cho phép các kiến trúc tích chập 2D mạnh mẽ mô hình hóa biến thiên thời gian.

Mở trong MethodMindSắp ra mắtVideoSắp ra mắtDownload slides

Đọc toàn bộ phương pháp

Chỉ dành cho thành viên

Đăng nhập bằng tài khoản miễn phí để đọc phần này.

Đăng nhập

Method map

The neighbourhood of related methods — select a node to explore.

Nguồn tài liệu

  1. 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

Cách trích dẫn trang này

ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/vi/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.

Compare side by side

Được tham chiếu bởi

ScholarGateTimesNet (TimesNet (Temporal 2D-Variation Modeling)). Truy cập ngày 2026-06-15 từ https://scholargate.app/vi/deep-learning/timesnet · Bộ dữ liệu: https://doi.org/10.5281/zenodo.20539026