Trask: En kraftfuld neural netværksarkitektur til tidsserieprognoser

Trask er en type neural netv
rksarkitektur, der er specielt designet til tidsserieforudsigelsesopgaver. Det blev introduceret af forskere hos Google i 2019 og er siden blevet bredt brugt inden for maskinl
ring til tidsserieprognoser.

Den vigtigste innovation ved Trask er brugen af en ny opm
rksomhedsmekanisme kaldet "tidsbevidst selvopm
rksomhed"-mekanisme. , som giver modellen mulighed for selektivt at fokusere på forskellige dele af inputtidsr
kken, når den laver forudsigelser. Dette giver Trask mulighed for at fange komplekse tidsm
ssige afh
ngigheder i dataene og lave mere pr
cise forudsigelser end andre neurale netv
rksarkitekturer. både kortsigtede og langsigtede mønstre i dataene. CNN'erne bruges til at udtr
kke lokale funktioner fra inputdataene, mens RNN'erne bruges til at modellere de tidsm
ssige afh
ngigheder mellem funktionerne.

Samlet set er Trask et kraftfuldt v
rktøj til tidsserieforudsigelsesopgaver, og det har vist sig at opnå state-of- de nyeste resultater på en r
kke benchmark-datas
t.