Machine learning
DeepAR
DeepAR은 Salinas, Flunkert, Gasthaus (2017; 2020년 출판)가 소개한 Amazon의 산업용 예측 모델로, 자기회귀 순환신경망을 사용하여 각 단계에서 확률 분포의 매개변수를 추정함으로써 단일 지점 예측이 아닌 신뢰 구간을 생성합니다. 이 모델은 여러 관련 시계열을 하나의 모델 내에서 공동으로 모델링할 수 있습니다.
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
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/ko/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.
- ARIMA (Autoregressive Integrated Moving Average) 모형계량경제학↔ compare
- 시계열 예측을 위한 Conformal Prediction계량경제학↔ compare
- N-HiTS딥러닝↔ compare
- PatchTST딥러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare