DeepAR
DeepAR er Amazons industrielle prognosemodel, introduceret af Salinas, Flunkert og Gasthaus (2017; udgivet 2020), som anvender et autoregressivt rekurrent neuralt netværk til at estimere parametrene for en sandsynlighedsfordeling ved hvert trin, hvilket producerer et konfidensinterval snarere end en enkelt punktprognose. Den kan modellere mange relaterede tidsserier samlet inden for én model.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/da/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.
- ARIMA (Autoregressive Integrated Moving Average) ModelØkonometri↔ compare
- Konform forudsigelse til tidsserieprognoserØkonometri↔ compare
- N-HiTSDyb læring↔ compare
- PatchTSTDyb læring↔ compare
- Random ForestMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →