DLinear: Model dekompozycji liniowej do prognozowania szeregów czasowych
DLinear to lekki model prognozowania szeregów czasowych wprowadzony przez Zeng i wsp. na konferencji AAAI 2023. Kwestionuje on dominujące założenie, że architektury oparte na Transformerach są niezbędne do dokładnego prognozowania długoterminowego. Model dekomponuje sekwencję wejściową na komponenty trendu i sezonowości za pomocą filtru średniej ruchomej, a następnie stosuje oddzielne, jedno-warstwowe transformacje liniowe do każdego komponentu, sumując ich wyjścia w celu uzyskania ostatecznej prognozy.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/pl/deep-learning/dlinear
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
- PatchTSTUczenie głębokie↔ compare
- TSMixer: Architektura All-MLP do prognozowania szeregów czasowychUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →