DeepAR
DeepAR is Amazons industriële voorspellingsmodel, geïntroduceerd door Salinas, Flunkert en Gasthaus (2017; gepubliceerd in 2020), dat een autoregressief recurrent neuraal netwerk gebruikt om de parameters van een waarschijnlijkheidsverdeling bij elke stap te schatten, wat een betrouwbaarheidsinterval oplevert in plaats van een enkele puntvoorspelling. Het kan veel gerelateerde tijdreeksen gezamenlijk binnen één model modelleren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/nl/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) ModelEconometrie↔ compare
- Conforme voorspelling voor tijdreeksvoorspellingenEconometrie↔ compare
- N-HiTSDeep learning↔ compare
- PatchTSTDeep learning↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →