DLinear: Dekompoziční lineární model pro predikci časových řad
DLinear je odlehčený model pro predikci časových řad, který představili Zeng et al. na konferenci AAAI 2023. Zpochybňuje převládající předpoklad, že pro přesnou predikci dlouhého horizontu jsou nezbytné architektury založené na transformerech. Model rozkládá vstupní sekvenci na trendovou a sezónní složku pomocí filtru klouzavého průměru, poté aplikuje samostatné jednovrstvé lineární transformace na každou složku, než sečte jejich výstupy, aby vytvořil konečnou predikci.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/cs/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.
- Model ARIMA (autoregresní integrovaný klouzavý průměr)Ekonometrie↔ compare
- PatchTSTHluboké učení↔ compare
- TSMixer: Architektura čistě založená na MLP pro predikci časových řadHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →