DLinear: Dekompozīcijas lineārais modelis laika sēriju prognozēšanai
DLinear ir viegls laika sēriju prognozēšanas modelis, ko 2023. gadā AAAI konferencē iepazīstināja Zeng et al. Tas apšauba izplatīto pieņēmumu, ka Transformer arhitektūras ir nepieciešamas precīzai ilgtermiņa prognozēšanai. Modelis sadala ievades sekvenci trenda un sezonālās komponentēs, izmantojot slīdošās vidējas filtru, pēc tam katrai komponentei piemēro atsevišķas vienas kārtas lineārās transformācijas, pirms summē to izvades, lai iegūtu galīgo prognozi.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/lv/deep-learning/dlinear
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
- PatchTSTDziļā mācīšanās↔ compare
- TSMixer: Visu MLP arhitektūra laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →