Machine learningTime-series forecasting
Autoformer: 장기 시계열 예측을 위한 분해 트랜스포머
Autoformer는 칭화대학교의 Wu 등이 NeurIPS 2021에서 소개한 장기 시계열 예측을 위한 딥러닝 아키텍처입니다. 표준 셀프 어텐션 메커니즘을 주파수 영역에서 주기적 종속성을 활용하는 자동 상관(Auto-Correlation) 메커니즘으로 대체하고, 인코더와 디코더 전체에 점진적 시계열 분해 블록을 내장하여 추세와 계절성 요소를 별도로 모델링합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/ko/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) 모형계량경제학↔ compare
- FEDformer: 주파수 강화 분해 트랜스포머딥러닝↔ compare
- Informer딥러닝↔ compare
- TimesNet: 시계열을 위한 시간적 2D-변동성 모델링딥러닝↔ compare