Autoformer: Transformer for Decomposing Long-Term Tidsserierprognoser
Autoformer er en dyp læringsarkitektur for langtidsprognoser for tidsserier, introdusert av Wu et al. fra Tsinghua University på NeurIPS 2021. Den erstatter den standard selv-oppmerksomhetsmekanismen med en Auto-Korrelasjonsmekanisme som utnytter periodiske avhengigheter i frekvensdomenet, og integrerer en progressiv serie-dekomponeringsblokk gjennom hele koderen og dekoderen for separat å modellere trend- og sesongkomponenter.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/no/deep-learning/autoformer
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) ModellØkonometri↔ compare
- FEDformer: Frekvensforsterket dekomponert transformatorDyp læring↔ compare
- InformerDyp læring↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →