DeepAR
DeepAR ist das industrielle Prognosemodell von Amazon, das von Salinas, Flunkert und Gasthaus (2017; veröffentlicht 2020) eingeführt wurde. Es verwendet ein autoregressives rekurrierendes neuronales Netz, um die Parameter einer Wahrscheinlichkeitsverteilung in jedem Schritt zu schätzen, und liefert ein Konfidenzintervall anstelle einer einzelnen Punktprognose. Es kann viele zusammenhängende Zeitreihen gemeinsam in einem einzigen Modell abbilden.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/de/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-Modell (Autoregressive Integrated Moving Average)Ökonometrie↔ compare
- Konforme Prädiktion für ZeitreihenprognosenÖkonometrie↔ compare
- N-HiTSDeep Learning↔ compare
- PatchTSTDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →