مدل خطی تجزیهپذیر برای پیشبینی سریهای زمانی (DLinear)
DLinear مدلی سبک برای پیشبینی سریهای زمانی است که توسط Zeng و همکاران در AAAI 2023 معرفی شد. این مدل، فرض رایج مبنی بر ضرورت معماریهای مبتنی بر ترنسفورمر برای پیشبینی دقیق در افقهای طولانی را به چالش میکشد. این مدل یک دنباله ورودی را با استفاده از فیلتر میانگین متحرک به مولفههای روند و فصلی تجزیه میکند، سپس تبدیلات خطی تکلایهای مجزایی را به هر مولفه اعمال کرده و خروجیهای آنها را برای تولید پیشبینی نهایی جمع میزند.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/fa/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.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ compare
- پچتیاستییادگیری عمیق↔ compare
- TSMixer: معماری تمام MLP برای پیشبینی سری زمانییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →