Informer
Informer es un modelo basado en Transformer introducido por Zhou et al. en 2021 para la predicción de series temporales de secuencias largas, utilizando un mecanismo de autoatención ProbSparse que reduce la complejidad computacional del Transformer estándar a O(L log L). Está diseñado para problemas que exigen predicciones a lo largo de miles de pasos futuros.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/es/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometría↔ compare
- DeepARAprendizaje profundo↔ compare
- N-HiTSAprendizaje profundo↔ compare
- PatchTSTAprendizaje profundo↔ compare
- Random ForestAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →