Autoformer: Transformer Αποσύνθεσης για Μακροχρόνιες Προβλέψεις Χρονοσειρών
Το Autoformer είναι μια αρχιτεκτονική βαθιάς μάθησης για μακροχρόνιες προβλέψεις χρονοσειρών, που εισήχθη από τους Wu et al. από το Πανεπιστήμιο Tsinghua στο NeurIPS 2021. Αντικαθιστά τον τυπικό μηχανισμό αυτο-προσοχής με έναν μηχανισμό Αυτο-Συσχέτισης (Auto-Correlation) που εκμεταλλεύεται περιοδικές εξαρτήσεις στον χώρο των συχνοτήτων, και ενσωματώνει ένα μπλοκ προοδευτικής αποσύνθεσης σειράς σε ολόκληρο τον κωδικοποιητή και τον αποκωδικοποιητή για να μοντελοποιήσει ξεχωριστά τις συνιστώσες τάσης και εποχικότητας.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/el/deep-learning/autoformer
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.
- Μοντέλο ARIMA (Autoregressive Integrated Moving Average)Οικονομετρία↔ compare
- FEDformerΒαθιά Μάθηση↔ compare
- ΕνημερωτήςΒαθιά Μάθηση↔ compare
- TimesNet: Μοντελοποίηση Χρονικών 2D-Διακυμάνσεων για ΧρονοσειρέςΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →