PatchTST的官方实现：“一个时间序列抵得上64个词：基于Transformer的长期预测。”（ICLR 2023）https://arxiv.org/abs/2211.14730
PatchTST的官方实现：“一个时间序列抵得上64个词：基于Transformer的长期预测。”（ICLR 2023）https://arxiv.org/abs/2211.14730
:triangular_flag_on_post: 我们的模型已被纳入 GluonTS。特别感谢贡献者 @kashif！ :triangular_flag_on_post: 我们的模型已被收录进 NeuralForecast。特别感谢贡献者 @kdgutier 和 @cchallu！ :triangular_flag_on_post: 我们的模型已被纳入 timeseriesAI(tsai)。特别感谢贡献者 @oguiza！
我们提供了一段视频，简要概述了我们的论文，供希望快速了解其内容的读者观看：https://www.youtube.com/watch?v=Z3-NrohddJw
:star2: 分块（Patching）：将时间序列分割为子序列级别的块，作为输入令牌传递给 Transformer。
:star2: 通道独立性（Channel-independence）：每个通道包含一个单变量时间序列，所有序列共享相同的嵌入和 Transformer 权重。
与基于Transformer的模型所能提供的最佳结果相比，PatchTST/64在MSE上总体降低了21.0%，在MAE上总体降低了16.7%，而PatchTST/42在MSE上总体降低了20.2%，在MAE上总体降低了16.4%。它同样优于其他非基于Transformer的模型，如DLinear。
我们与其他监督和自监督模型进行了比较，自监督的PatchTST能够超越所有基线模型。
我们还测试了将预训练模型迁移到下游任务的能力。
我们的 PatchTST 随着回溯窗口的增加，持续降低 MSE 分数，这证实了我们的模型具备从更长感受野中学习的能力。
我们
暂无开放 Issues，或尚未同步最近议题。