DLinear: Hajotelmaan perustuva lineaarinen malli aikasarjaennustukseen
DLinear on Zeng ym. (AAAI 2023) esittelemä kevyt aikasarjaennustusmalli. Se haastaa vallitsevan oletuksen, jonka mukaan Transformer-pohjaiset arkkitehtuurit ovat välttämättömiä tarkkaan pitkän aikavälin ennustamiseen. Malli hajottaa syötesarjan trendi- ja kausikomponentteihin käyttäen liukuvan keskiarvon suodatinta, minkä jälkeen se soveltaa erillisiä yksikerroksisia lineaarisia muunnoksia kumpaankin komponenttiin ennen niiden tulosten summaamista lopullisen ennusteen tuottamiseksi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/fi/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 (Autoregressive Integrated Moving Average) -malliEkonometria↔ compare
- PatchTSTSyväoppiminen↔ compare
- TSMixer: täysin MLP-arkkitehtuuri aikasarjaennustamiseenSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →