Informer
Informer è un modello basato su Transformer introdotto da Zhou et al. nel 2021 per la previsione di serie temporali a lunga sequenza, che utilizza un meccanismo di auto-attenzione ProbSparse che riduce la complessità computazionale del Transformer standard a O(L log L). È costruito per problemi che richiedono previsioni su migliaia di passi futuri.
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.
+3 more
Fonti
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- 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 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/it/deep-learning/informer
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
- DeepARApprendimento profondo↔ 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 →