Autoformer: Decompozíciós transzformer hosszú távú idősor-előrejelzéshez
Az Autoformer egy mélytanulási architektúra hosszú távú idősor-előrejelzéshez, amelyet Wu et al. a Tsinghua Egyetemről mutattak be a NeurIPS 2021 konferencián. A standard önfigyelő mechanizmust egy Auto-Korrelációs mechanizmussal helyettesíti, amely a frekvenciatartományban kihasználja az időszakos függőségeket, és egy progresszív sorozatdekompozíciós blokkot épít be az enkóderbe és a dekóderbe a trend- és szezonális komponensek külön modellezésére.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/hu/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.
- ARIMA (Autoregressive Integrated Moving Average) modellÖkonometria↔ compare
- FEDformer: Frekvenciaerősített, dekomponált TransformerMélytanulás↔ compare
- InformerMélytanulás↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →