Autoformer: Dekompositio-muuntaja pitkän aikavälin aikasarjaennustamiseen
Autoformer on syväoppimisarkkitehtuuri pitkän aikavälin aikasarjaennustamiseen, jonka Wu et al. Tsinghuan yliopistosta esittelivät NeurIPS 2021 -konferenssissa. Se korvaa standardin itsehuomiomekanismin automaattikorrelaatiomekanismilla, joka hyödyntää taajuusalueen jaksollisia riippuvuuksia, ja upottaa progressiivisen sarjan dekompositio-lohkon enkooderiin ja dekooderiin mallintamaan erikseen trendi- ja kausikomponentteja.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/fi/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.
- ARIMA (Autoregressive Integrated Moving Average) -malliEkonometria↔ compare
- FEDformer: Taajuusparannettu hajotettu TransformerSyväoppiminen↔ compare
- InformerSyväoppiminen↔ compare
- TimesNet: Ajallinen 2D-vaihtelun mallintaminen aikasarjoissaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →