Moirai: Universeller Transformer für Zeitreihenprognosen
Moirai ist ein Foundation Model für universelle Zeitreihenprognosen, das 2024 von Gerald Woo und Kollegen bei Salesforce Research vorgestellt und auf der ICML präsentiert wurde. Die Kernidee besteht darin, einen einzigen großen Transformer auf einem außergewöhnlich vielfältigen Korpus von Zeitreihendaten (LOTSA) vorzutrainieren, der viele Domänen und Frequenzen umfasst. Dies ermöglicht Null-Schuss- und Wenig-Schuss-Prognosen auf ungesehenen Datensätzen ohne aufgabenspezifisches Nachtraining. Moirai verwendet Patch-basierte Tokenisierung, Any-Variate-Attention und einen Mixture-of-Distributions-Output-Head, um variable Frequenzen, mehrere Variaten und probabilistische Vorhersagen in einer einheitlichen Architektur zu verarbeiten.
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
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/de/deep-learning/moirai
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.
- Chronos: Ein tokenisiertes Grundmodell für die ZeitreihenprognoseDeep Learning↔ compare
- PatchTSTDeep Learning↔ compare
- TimesFM: Ein Decoder-Only Foundation Model für ZeitreihenprognosenDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →