Moirai: Universele Transformer voor Tijdreeksvoorspelling
Moirai is een foundation model voor universele tijdreeksvoorspelling, geïntroduceerd door Gerald Woo en collega's bij Salesforce Research in 2024 en gepresenteerd op ICML. Het kernidee is om één enkele grote Transformer te pre-trainen op een uitzonderlijk diverse corpus van tijdreeksdata (LOTSA) die vele domeinen en frequenties omvat, waardoor zero-shot en few-shot voorspelling op ongeziene datasets mogelijk wordt zonder taakspecifieke hertraining. Moirai maakt gebruik van patch-gebaseerde tokenisatie, any-variate attention, en een mixture-of-distributions output head om variabele frequenties, meerdere variaten, en probabilistische voorspelling in een uniforme architectuur te behandelen.
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
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/nl/deep-learning/moirai
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.
- Chronos: Een Getokeniseerd Fundamentmodel voor TijdreeksvoorspellingDeep learning↔ compare
- PatchTSTDeep learning↔ compare
- TimesFM: Een decoder-only foundation model voor tijdreeksvoorspellingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →