Informer
Informer ist ein auf Transformer basierendes Modell, das 2021 von Zhou et al. für die Prognose langer Zeitreihen eingeführt wurde. Es verwendet einen ProbSparse Self-Attention-Mechanismus, der die rechnerische Komplexität des Standard-Transformers auf O(L log L) reduziert. Es wurde für Probleme entwickelt, die Vorhersagen über Tausende von zukünftigen Schritten erfordern.
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.
+3 more
Quellen
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- 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 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/de/deep-learning/informer
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
- DeepARDeep Learning↔ compare
- N-HiTSDeep Learning↔ compare
- PatchTSTDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →