DLinear: Decomposition Linear Model für Zeitreihenprognosen
DLinear ist ein leichtgewichtiges Zeitreihenprognosemodell, das von Zeng et al. auf der AAAI 2023 eingeführt wurde. Es stellt die vorherrschende Annahme in Frage, dass Transformer-basierte Architekturen für genaue Langstreckenprognosen notwendig sind. Das Modell zerlegt eine Eingangssequenz mithilfe eines gleitenden Durchschnittsfilters in Trend- und Saisonkomponenten und wendet dann separate einlagige lineare Transformationen auf jede Komponente an, bevor deren Ausgaben summiert werden, um die endgültige Prognose zu erstellen.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/de/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-Modell (Autoregressive Integrated Moving Average)Ökonometrie↔ compare
- PatchTSTDeep Learning↔ compare
- TSMixer: Eine reine MLP-Architektur für ZeitreihenprognosenDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →