DeepAR
DeepAR és el model de previsió industrial d'Amazon, introduït per Salinas, Flunkert i Gasthaus (2017; publicat el 2020), que utilitza una xarxa neuronal recurrent autorregressiva per estimar els paràmetres d'una distribució de probabilitat a cada pas, produint un interval de confiança en lloc d'una predicció puntual. Pot modelar moltes sèries temporals relacionades conjuntament dins d'un mateix model.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/ca/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.
- Model d'ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Previsió Conformal per a la Predicció de Sèries TemporalsEconometria↔ compare
- N-HiTSAprenentatge profund↔ compare
- PatchTSTAprenentatge profund↔ compare
- Random ForestAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →