DLinear: Decomposition Linear Model voor Tijdreeksvoorspelling
DLinear is een lichtgewicht model voor tijdreeksvoorspelling, geïntroduceerd door Zeng et al. op AAAI 2023. Het daagt de heersende aanname uit dat op Transformer gebaseerde architecturen noodzakelijk zijn voor nauwkeurige voorspellingen over lange horizonten. Het model ontleedt een invoerreeks in trend- en seizoenscomponenten met behulp van een moving average filter, past vervolgens afzonderlijke lineaire transformaties met één laag toe op elke component, alvorens hun outputs op te tellen om de uiteindelijke voorspelling te produceren.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/nl/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 (Autoregressive Integrated Moving Average) ModelEconometrie↔ compare
- PatchTSTDeep learning↔ compare
- TSMixer: Volledig MLP-architectuur voor tijdreeksvoorspellingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →