N-HiTS
N-HiTS (Neural Hierarchical Interpolation for Time Series Forecasting), eingeführt von Challu und Kollegen im Jahr 2023, ist eine Deep-Learning-Architektur für Prognosen, die hierarchische Vorhersagen mehrerer Stacks, die mit unterschiedlichen Abtastraten arbeiten, kombiniert und diese durch Interpolation zusammenführt. Sie erweitert N-BEATS, um eine deutlich bessere Genauigkeit bei langen Prognosehorizonten zu erzielen.
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
- Challu, C. et al. (2023). NHITS: Neural Hierarchical Interpolation for Time Series Forecasting. AAAI. DOI: 10.1609/aaai.v37i6.25854 ↗
- Oreshkin, B.N. et al. (2020). N-BEATS: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting. ICLR. arXiv: 1905.10437 link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Neural Hierarchical Interpolation for Time Series Forecasting. ScholarGate. https://scholargate.app/de/deep-learning/nhits
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
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →