文章 "神经网络变得简单（第 87 部分）：时间序列补片化" 新评论 MetaQuotes 2025.01.20 09:54 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 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
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