DeepAR
DeepAR è il modello di previsione industriale di Amazon, introdotto da Salinas, Flunkert e Gasthaus (2017; pubblicato nel 2020), che utilizza una rete neurale ricorrente autoregressiva per stimare i parametri di una distribuzione di probabilità ad ogni passo, producendo un intervallo di confidenza piuttosto che una singola previsione puntuale. Può modellare molte serie temporali correlate congiuntamente all'interno di un unico modello.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/it/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.
- Modello ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Predizione conforme per previsioni di serie temporaliEconometria↔ compare
- N-HiTSApprendimento profondo↔ compare
- PatchTSTApprendimento profondo↔ compare
- Random ForestApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →