DeepAR
DeepAR ir Amazon industriālais prognozēšanas modelis, ko ieviesa Salinas, Flunkert un Gasthaus (2017; publicēts 2020. gadā). Tas izmanto autoregresīvu rekurentu neironu tīklu, lai katrā solī novērtētu varbūtības sadalījuma parametrus, tādējādi iegūstot ticamības intervālu, nevis vienu punktveida prognozi. Tas spēj kopīgi modelēt daudzas saistītas laika rindas viena modeļa ietvaros.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/lv/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 (autoregresīvais integrētais slīdošā vidējā) modelisEkonometrija↔ compare
- Konformālā prognozēšana laika sēriju prognozēšanaiEkonometrija↔ compare
- N-HiTSDziļā mācīšanās↔ compare
- PatchTSTDziļā mācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →