DLinear : Modèle Linéaire par Décomposition pour la Prévision de Séries Temporelles
DLinear est un modèle léger de prévision de séries temporelles introduit par Zeng et al. à l'AAAI 2023. Il remet en question l'hypothèse prédominante selon laquelle les architectures basées sur Transformer sont nécessaires pour une prévision précise à long terme. Le modèle décompose une séquence d'entrée en composantes de tendance et saisonnières à l'aide d'un filtre de moyenne mobile, puis applique des transformations linéaires distinctes à une seule couche à chaque composante avant de sommer leurs sorties pour produire la prévision finale.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/fr/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.
- Modèle ARIMA (Autoregressive Integrated Moving Average)Économétrie↔ compare
- PatchTSTApprentissage profond↔ compare
- TSMixer : une architecture tout MLP pour la prévision de séries temporellesApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →