Autoformer: Трансформер с автокорелация за дългосрочно прогнозиране на времеви редове
Autoformer е архитектура за дълбоко обучение за дългосрочно прогнозиране на времеви редове, представена от Wu et al. от Университета Цинхуа на NeurIPS 2021. Тя заменя стандартния механизъм за самонаблюдение с механизъм за автокорелация, който използва периодични зависимости в честотната област, и вгражда блок за прогресивно разлагане на редове през енкодера и декодера, за да моделира отделно трендови и сезонни компоненти.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/bg/deep-learning/autoformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Модел ARIMA (Autoregressive Integrated Moving Average)Иконометрия↔ compare
- FEDformer: Подобрен с честотна област ТрансформърДълбоко обучение↔ compare
- InformerДълбоко обучение↔ compare
- TimesNet: Моделиране на времеви 2D-вариации за времеви редовеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →