DeepAR
DeepAR je Amazonov industrijski model za prognoziranje, predstavljen od strane Salinasa, Flunkerta i Gasthausa (2017.; objavljen 2020.), koji koristi autoregresivnu rekurentnu neuronsku mrežu za procjenu parametara distribucije vjerojatnosti u svakom koraku, proizvodeći interval pouzdanosti umjesto pojedinačne točkaste prognoze. Može modelirati mnoge povezane vremenske serije istovremeno unutar jednog modela.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/hr/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.
- Model ARIMA (Autoregresivni integrirani pokretni prosjek)Ekonometrija↔ compare
- Konformalno predviđanje za prognoziranje vremenskih nizovaEkonometrija↔ compare
- N-HiTSDuboko učenje↔ compare
- PatchTSTDuboko učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →