Informer
Informer to oparty na architekturze Transformer model wprowadzony przez Zhou et al. w 2021 r. do prognozowania długich szeregów czasowych. Wykorzystuje mechanizm ProbSparse self-attention, który obniża złożoność obliczeniową standardowego Transformera do O(L log L). Został zaprojektowany do problemów wymagających prognozowania na przestrzeni tysięcy przyszłych kroków.
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.
+3 more
Źródła
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- 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 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/pl/deep-learning/informer
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
- DeepARUczenie głębokie↔ compare
- N-HiTSUczenie głębokie↔ compare
- PatchTSTUczenie głębokie↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →