Autoformer: Transformer a Decomposizione per la Previsione di Serie Temporali a Lungo Termine
Autoformer è un'architettura di deep learning per la previsione di serie temporali a lungo termine, introdotta da Wu et al. della Tsinghua University a NeurIPS 2021. Sostituisce il meccanismo standard di auto-attenzione con un meccanismo di Auto-Correlazione che sfrutta le dipendenze periodiche nel dominio della frequenza, e incorpora un blocco di decomposizione progressiva delle serie nell'encoder e nel decoder per modellare separatamente le componenti di trend e stagionali.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/it/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.
- Modello ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- FEDformerApprendimento profondo↔ compare
- InformerApprendimento profondo↔ compare
- TimesNet: Modellazione della Variazione Temporale 2D per Serie StoricheApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →