DeepAR
DeepAR est le modèle de prévision industrielle d'Amazon, introduit par Salinas, Flunkert et Gasthaus (2017 ; publié en 2020), qui utilise un réseau neuronal récurrent autorégressif pour estimer les paramètres d'une distribution de probabilité à chaque étape, produisant un intervalle de confiance plutôt qu'une prévision ponctuelle unique. Il peut modéliser de nombreuses séries temporelles apparentées conjointement au sein d'un seul modèle.
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
- Salinas, D., Flunkert, V., Gasthaus, J. & Januschowski, T. (2020). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. International Journal of Forecasting, 36(3), 1181–1191. DOI: 10.1016/j.ijforecast.2019.07.001 ↗
- Salinas, D., Flunkert, V. & Gasthaus, J. (2017). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. arXiv:1704.04110. link ↗
Comment citer cette page
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/fr/deep-learning/deepar
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
- Conformal Prediction pour la prévision de séries temporellesÉconométrie↔ compare
- N-HiTSApprentissage profond↔ compare
- PatchTSTApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →