DLinear: Decomposition Linear Model for Time Series Forecasting
DLinear er en letvægtsmodel til tidsserie-prognoser, introduceret af Zeng et al. på AAAI 2023. Den udfordrer den fremherskende antagelse om, at Transformer-baserede arkitekturer er nødvendige for nøjagtig prognose over lange horisonter. Modellen dekomponerer en inputsekvens i trend- og sæsonkomponenter ved hjælp af et glidende gennemsnit-filter, anvender derefter separate enkeltlags lineære transformationer på hver komponent, før dens output summeres for at producere den endelige prognose.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/da/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.
- ARIMA (Autoregressive Integrated Moving Average) ModelØkonometri↔ compare
- PatchTSTDyb læring↔ compare
- TSMixer: All-MLP Arkitektur til TidsserieprognoserDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →