Autoformer: ترنسفورمر تجزیهکننده برای پیشبینی سریهای زمانی بلندمدت
Autoformer یک معماری یادگیری عمیق برای پیشبینی سریهای زمانی بلندمدت است که توسط Wu و همکاران از دانشگاه Tsinghua در NeurIPS 2021 معرفی شد. این معماری مکانیزم توجه به خود (self-attention) استاندارد را با مکانیزم خودهمبستگی (Auto-Correlation) جایگزین میکند که وابستگیهای تناوبی را در حوزه فرکانس بهرهبرداری میکند و یک بلوک تجزیه سری پیشرونده را در سراسر رمزگذار و رمزگشا جاسازی میکند تا مؤلفههای روند و فصلی را به طور جداگانه مدلسازی کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/fa/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.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ compare
- فِدفورمر: ترانسفورمر تجزیهشده با تقویت فرکانسیادگیری عمیق↔ compare
- Informerیادگیری عمیق↔ compare
- TimesNet: مدلسازی تغییرات دوبعدی زمانی برای سریهای زمانییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →