Informer
Informer est un modèle basé sur Transformer, introduit par Zhou et al. en 2021 pour la prévision de séries temporelles à longue séquence, utilisant un mécanisme d'auto-attention ProbSparse qui réduit la complexité calculatoire du Transformer standard à O(L log L). Il est conçu pour des problèmes exigeant des prédictions sur des milliers d'étapes futures.
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.
+3 more
Sources
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- 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 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/fr/deep-learning/informer
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
- DeepARApprentissage profond↔ 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 →