DLinear: Модел с разлагане и линейни трансформации за прогнозиране на времеви редове
DLinear е лек модел за прогнозиране на времеви редове, представен от Zeng et al. на AAAI 2023. Той оспорва преобладаващото допускане, че архитектури, базирани на Трансформър, са необходими за точно прогнозиране на дълъг хоризонт. Моделът разлага входна последователност на компоненти на тренд и сезонност чрез филтър с плъзгаща се средна стойност, след което прилага отделни еднослойни линейни трансформации към всеки компонент, преди да сумира техните изходи, за да получи крайната прогноза.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/bg/deep-learning/dlinear
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
- PatchTSTДълбоко обучение↔ compare
- TSMixer: Изцяло базирана на MLP архитектура за прогнозиране на времеви редовеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →