Autoformer: Transformer Dekomposisi untuk Peramalan Deret Waktu Jangka Panjang
Autoformer adalah arsitektur pembelajaran mendalam untuk peramalan deret waktu jangka panjang, yang diperkenalkan oleh Wu et al. dari Universitas Tsinghua di NeurIPS 2021. Arsitektur ini menggantikan mekanisme perhatian diri standar dengan mekanisme Auto-Korelasi yang memanfaatkan dependensi periodik di domain frekuensi, dan menyematkan blok dekomposisi deret progresif di seluruh encoder dan decoder untuk memodelkan komponen tren dan musiman secara terpisah.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/id/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 (Autoregressive Integrated Moving Average)Ekonometrika↔ compare
- FEDformer: Transformer Berbasis Peningkatan Frekuensi yang TeruraiPembelajaran Mendalam↔ compare
- InformerPembelajaran Mendalam↔ compare
- TimesNet: Pemodelan Variasi Temporal 2D untuk Deret WaktuPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →