DeepAR
DeepAR е индустриален модел за прогнозиране на Amazon, представен от Салинас, Флункерт и Гастаус (2017; публикуван 2020), който използва авторегресивна рекурентна невронна мрежа за оценка на параметрите на вероятностно разпределение на всяка стъпка, произвеждайки доверителен интервал вместо единична точкова прогноза. Той може да моделира много свързани времеви редове съвместно в рамките на един модел.
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
- Salinas, D., Flunkert, V., Gasthaus, J. & Januschowski, T. (2020). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. International Journal of Forecasting, 36(3), 1181–1191. DOI: 10.1016/j.ijforecast.2019.07.001 ↗
- Salinas, D., Flunkert, V. & Gasthaus, J. (2017). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. arXiv:1704.04110. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/bg/deep-learning/deepar
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
- Конформно прогнозиране за прогнозиране на времеви редовеИконометрия↔ compare
- N-HiTSДълбоко обучение↔ compare
- PatchTSTДълбоко обучение↔ compare
- Случайна гораМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →