DLinear: Dekompositsiooniline lineaarne mudel aegridade prognoosimiseks
DLinear on kergekaaluline aegridade prognoosimismudel, mille autoriteks on Zeng et al. AAAI 2023 konverentsil. See seab kahtluse alla valitseva eelduse, et Transformer-põhised arhitektuurid on vajalikud täpseks pikaajaliseks prognoosimiseks. Mudel dekomponeerib sisendjärjestuse trendi- ja hooajalisteks komponentideks liikuva keskmise filtrit kasutades, seejärel rakendab igale komponendile eraldi ühekihi lineaarset teisendust, enne kui nende väljundid liidetakse lõpliku prognoosi saamiseks.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/et/deep-learning/dlinear
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 (autoregressiivne integreeritud liikuv keskmine) mudelÖkonomeetria↔ compare
- PatchTSTSüvaõpe↔ compare
- TSMixer: Kõik-MLP arhitektuur aegridade prognoosimiseksSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →