Autoformer: Transformer s dekompozicí pro dlouhodobé časové řady
Autoformer je architektura hlubokého učení pro dlouhodobé předpovídání časových řad, představená Wu et al. z Univerzity Tsinghua na konferenci NeurIPS 2021. Nahrazuje standardní mechanismus sebe-pozornosti mechanismem auto-korelace, který využívá periodické závislosti v frekvenční doméně, a vkládá blok progresivní dekompozice řady napříč enkodérem a dekodérem pro oddělené modelování trendových a sezónních složek.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/cs/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 ARIMA (autoregresní integrovaný klouzavý průměr)Ekonometrie↔ compare
- FEDformer: Frekvenčně vylepšený dekomponovaný TransformerHluboké učení↔ compare
- InformerHluboké učení↔ compare
- TimesNet: Modelování časových řad pomocí dvourozměrných časových variacíHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →