ScholarGate
Assistent
Machine learningTime-series forecasting

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.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

The neighbourhood of related methods — select a node to explore.

Quellen

  1. 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.

Compare side by side

Referenziert von

ScholarGateDLinear (DLinear (Decomposition Linear Model for Forecasting)). Abgerufen am 2026-06-15 von https://scholargate.app/de/deep-learning/dlinear · Datensatz: https://doi.org/10.5281/zenodo.20539026