DeepAR
DeepAR er Amazons industrielle prognosemodell, introdusert av Salinas, Flunkert og Gasthaus (2017; publisert 2020), som bruker et autoregressivt rekurrent nevralt nettverk for å estimere parametrene til en sannsynlighetsfordeling ved hvert trinn, og produserer et konfidensintervall i stedet for en enkelt punktprognose. Den kan modellere mange relaterte tidsserier samlet innenfor én modell.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/no/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) ModellØkonometri↔ compare
- Konform prediksjon for tidsserieprognoserØkonometri↔ compare
- N-HiTSDyp læring↔ compare
- PatchTSTDyp læring↔ compare
- Random ForestMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →