Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Нейросети — это просто (Часть 87): Сегментация временных рядов:
Прогнозирование играет важную роль в анализе временных рядов. В новой статье мы поговорим о преимуществах сегментации временных рядов.
Архитектура Transformer, которая начала свое развитие в области обработки естественного языка (NLP), продемонстрировала свои преимущества в компьютерном зрении (CV) и успешно нашла применение в анализе временных рядов. Ее механизм Self-Attention, способный автоматически выявлять связи между элементами последовательности, стал основой для создания эффективных моделей прогнозирования.
Рост объемов доступных для анализа данных и улучшение методов машинного обучения позволяют разрабатывать более точные и эффективные модели для анализа временных данных. Однако с увеличением сложности временных рядов становится необходимо разрабатывать более эффективные и менее затратные методы анализа для достижения точных прогнозов и выявления скрытых паттернов.
Одним из таких методов является Transformer сегментирования временных рядов (Patch Time Series Transformer — PatchTST), который был представлен в статье "A Time Series is Worth 64 Words: Long-term Forecasting with Transformers". В основу данного метода легли разделение временных рядов на сегменты (патчи) и использование Transformer для прогнозирования будущих значений.
Автор: Dmitriy Gizlyk