N-BEATSx: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting
Το αρχικό μοντέλο N-BEATS χρησιμοποιεί βαθιά νευρωνικά δίκτυα για την εκμάθηση επεκτάσεων βάσης για χρονοσειρές, αποσυνθέτοντας τις προβλέψεις σε συνιστώσες τάσης και εποχικότητας. Το N-BEATSx επεκτείνει αυτό το πλαίσιο για να χειριστεί εξωγενείς μεταβλητές—εξωτερικά χαρακτηριστικά όπως ο καιρός, οι αργίες ή οι οικονομικοί δείκτες που επηρεάζουν τη μεταβλητή-στόχο. Το μοντέλο χρησιμοποιεί ένα μπλοκ cross-learner που συνδυάζει πληροφορίες από ιστορικές σειρές με εξωγενή χαρακτηριστικά, επιτρέποντας στο νευρωνικό δίκτυο να μάθει σύνθετες αλληλεπιδράσεις. Αυτός ο σχεδιασμός διατηρεί την ερμηνευσιμότητα μέσω της ρητής μοντελοποίησης τάσης και εποχικότητας, ενώ αποκτά εκφραστικότητα από τις εξωγενείς πληροφορίες.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- Challu, C., Olivares, K. Q., Oreshkin, B., Garza, F., Mergenthaler-Canseco, M., & Dubrawski, A. (2023). N-BEATSx: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting. In ICLR 2023 Workshop on Multimodal Learning for Science (p. 4). link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). N-BEATSx: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting. ScholarGate. https://scholargate.app/el/deep-learning/n-beatsx
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Mamba (Μοντέλο Χώρου Καταστάσεων)Βαθιά Μάθηση↔ σύγκριση
- Χωροχρονικά Συνελικτικά Δίκτυα ΓράφωνΒαθιά Μάθηση↔ σύγκριση
- TimeGPTΒαθιά Μάθηση↔ σύγκριση
- Vision MambaΒαθιά Μάθηση↔ σύγκριση
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →