Autoformer: Transformer-dekomposition til langtids-tidsserieprognoser
Autoformer er en deep learning-arkitektur til langtids-tidsserieprognoser, introduceret af Wu et al. fra Tsinghua University på NeurIPS 2021. Den erstatter den standard selv-opmærksomhedsmekanisme med en Auto-Korrelationsmekanisme, der udnytter periodiske afhængigheder i frekvensdomænet, og indlejrer en progressiv serie-dekompositionsblok gennem encoder og decoder for separat at modellere trend- og sæsonkomponenter.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/da/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.
- ARIMA (Autoregressive Integrated Moving Average) ModelØkonometri↔ compare
- FEDformer: Frekvensforstærket Dekomponeret TransformerDyb læring↔ compare
- InformerDyb læring↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →