Autoformer: Transformer z dekompozycją dla długoterminowego prognozowania szeregów czasowych
Autoformer to architektura uczenia głębokiego do długoterminowego prognozowania szeregów czasowych, wprowadzona przez Wu i wsp. z Uniwersytetu Tsinghua na konferencji NeurIPS 2021. Zastępuje ona standardowy mechanizm samo-uwagi mechanizmem Auto-Korelacji, który wykorzystuje zależności okresowe w dziedzinie częstotliwości, i osadza blok progresywnej dekompozycji szeregów w całym enkoderze i dekoderze, aby oddzielnie modelować składniki trendu i sezonowości.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/pl/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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometria↔ compare
- FEDformer: Transformer z ulepszoną dekompozycją częstotliwościowąUczenie głębokie↔ compare
- InformerUczenie głębokie↔ compare
- TimesNet: Modelowanie dwuwymiarowych wariacji czasowych dla szeregów czasowychUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →