Autoformer: Transformer za dekompoziciju za dugoročno prognoziranje vremenskih serija
Autoformer je arhitektura dubokog učenja za dugoročno prognoziranje vremenskih serija, koju su predstavili Wu et al. sa Sveučilišta Tsinghua na NeurIPS 2021. Zamjenjuje standardni mehanizam samopažnje mehanizmom Auto-korelacije koji iskorištava periodične ovisnosti u frekvencijskoj domeni i ugrađuje blok progresivne dekompozicije serija kroz enkoder i dekoder kako bi se zasebno modelirale komponente trenda i sezonskih obilježja.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/hr/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.
- Model ARIMA (Autoregresivni integrirani pokretni prosjek)Ekonometrija↔ compare
- FEDformer: Transformer s poboljšanom frekvencijom i dekompozicijomDuboko učenje↔ compare
- InformerDuboko učenje↔ compare
- TimesNet: Vremenska 2D-varijacijska modelizacija za vremenske nizoveDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →