N-BEATS
N-BEATS ir dziļās apmācības arhitektūra laika sēriju prognozēšanai, ko 2020. gadā ieviesa Oreshkin un kolēģi. Tā ir veidota no interpretējamiem trenda un sezonalitātes stieņiem. Tas bija pirmais tīri neirālais prognozēšanas modelis, kas sasniedza visaugstāko veiktspēju M4 konkursā, nepaļaujoties uz nekādiem klasiskiem statistikas komponentiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Oreshkin, B.N. et al. (2020). N-BEATS: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting. ICLR. link ↗
- Makridakis, S., Spiliotis, E. & Assimakopoulos, V. (2020). The M4 Competition: 100,000 Time Series and 61 Forecasting Methods. International Journal of Forecasting, 36(1), 54–74. DOI: 10.1016/j.ijforecast.2019.04.014 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). N-BEATS (Neural Basis Expansion Analysis for Interpretable Time Series Forecasting). ScholarGate. https://scholargate.app/lv/deep-learning/nbeats
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- ARIMA (autoregresīvais integrētais slīdošā vidējā) modelisEkonometrija↔ salīdzināt
- DeepARDziļā mācīšanās↔ salīdzināt
- InformerDziļā mācīšanās↔ salīdzināt
- Random ForestMašīnmācīšanās↔ salīdzināt
- Temporal Fusion TransformerDziļā mācīšanās↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →