DeepAR
DeepAR to przemysłowy model prognozowania firmy Amazon, wprowadzony przez Salinasa, Flunkerta i Gasthausa (2017; opublikowany w 2020), który wykorzystuje autoregresywną rekurencyjną sieć neuronową do estymacji parametrów rozkładu prawdopodobieństwa w każdym kroku, generując przedział ufności zamiast pojedynczej prognozy punktowej. Może modelować wiele powiązanych szeregów czasowych wspólnie w ramach jednego modelu.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/pl/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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometria↔ compare
- Predykcja konforemna dla prognozowania szeregów czasowychEkonometria↔ compare
- N-HiTSUczenie głębokie↔ compare
- PatchTSTUczenie głębokie↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →