文章 "神经网络变得简单（第 87 部分）：时间序列补片化"

[MetaQuotes]

新文章 神经网络变得简单（第 87 部分）：时间序列补片化已发布：

预测在时间序列分析中扮演重要角色。在新文章中，我们将谈谈时间序列补片化的益处。

变换器架构起源于自然语言处理（NLP）领域，在计算机视觉（CV）中展显出其优势，并成功应用于时间序列分析。其自关注机制，可自动识别时间序列元素之间的关系，已成为创建有效预测模型的基础。

随着可用于分析的数据量增长、和机器学习方法的改进，如此令开发更准确、更高效的模型来分析时间数据成为可能。然而，随着时间序列复杂性的提升，我们需要开发更高效、成本更低的分析方法，从而实现准确的预测，并识别隐藏的形态。

其中一种方法是补片时间序列变换器，PatchTST，其在文章《一个时间序列值得 64 个词：使用变换器进行长期预测》中阐述。该方法基于将时间序列划分为多个片段（补片），并用变换器预测未来值。

作者：Dmitriy Gizlyk

[Timothy Walshak]

我已经关注这个系列有一段时间了，它让我受益匪浅。

不过，我有一个问题：整个系列最后会结集出版吗？

[Liliya Yunusova]

Timothy Walshak #:

我已经关注这个系列有一段时间了，它很有见地。

不过，我有一个问题：整个系列最后会结集出版吗？

您好、

本系列的作者 Dmitriy Gizlyk 已经写了一本关于交易中的神经网络的书。您可以在这里找到：https://www.mql5.com/en/neurobook。 欢迎下载 pdf 或 chm 版本。