Informer
Informer és un model basat en Transformer introduït per Zhou et al. el 2021 per a la predicció de sèries temporals de seqüències llargues, utilitzant un mecanisme d'autoatenció ProbSparse que redueix la complexitat computacional del Transformer estàndard a O(L log L). Està dissenyat per a problemes que requereixen prediccions a través de milers de passos futurs.
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.
+3 more
Fonts
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- 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 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/ca/deep-learning/informer
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
- DeepARAprenentatge profund↔ 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 →