Autoformer : Transformeur de décomposition pour la prévision de séries temporelles à long terme
Autoformer est une architecture d'apprentissage profond pour la prévision de séries temporelles à long terme, introduite par Wu et al. de l'Université Tsinghua à NeurIPS 2021. Elle remplace le mécanisme d'auto-attention standard par un mécanisme d'auto-corrélation qui exploite les dépendances périodiques dans le domaine fréquentiel, et intègre un bloc de décomposition de séries progressive tout au long de l'encodeur et du décodeur pour modéliser séparément les composantes de tendance et saisonnières.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/fr/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.
- Modèle ARIMA (Autoregressive Integrated Moving Average)Économétrie↔ compare
- FEDformer : Transformeur décomposé à fréquence amélioréeApprentissage profond↔ compare
- InformerApprentissage profond↔ compare
- TimesNetApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →