Autoformer: Transformer de descomposició per a la predicció de sèries temporals a llarg termini
Autoformer és una arquitectura d'aprenentatge profund per a la predicció de sèries temporals a llarg termini, introduïda per Wu et al. de la Universitat de Tsinghua a NeurIPS 2021. Substitueix el mecanisme estàndard d'autoatenció per un mecanisme d'autocorrelació que aprofita les dependències periòdiques en el domini de la freqüència, i incrusta un bloc de descomposició progressiva de sèries tant a l'encoder com al decoder per modelar per separat els components de tendència i estacionals.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/ca/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.
- Model d'ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- FEDformer: Transformer millorat per freqüència per a la descomposicióAprenentatge profund↔ compare
- InformerAprenentatge profund↔ compare
- TimesNet: Modelatge de Variacions Temporals 2D per a Sèries TemporalsAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →