Autoformer: Decomposition Transformer für die Langzeit-Zeitreihenprognose
Autoformer ist eine Deep-Learning-Architektur für die Langzeit-Zeitreihenprognose, die von Wu et al. von der Tsinghua University auf der NeurIPS 2021 vorgestellt wurde. Sie ersetzt den Standard-Self-Attention-Mechanismus durch einen Auto-Korrelationsmechanismus, der periodische Abhängigkeiten im Frequenzbereich nutzt, und integriert einen progressiven Serienzerlegungsblock in Encoder und Decoder, um Trend- und saisonale Komponenten separat zu modellieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/de/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-Modell (Autoregressive Integrated Moving Average)Ökonometrie↔ compare
- FEDformer: Frequency Enhanced Decomposed TransformerDeep Learning↔ compare
- InformerDeep Learning↔ compare
- TimesNet: Temporale 2D-Varianzmodellierung für ZeitreihenDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →