Autoformer: Transformer de Decomposição para Previsão de Séries Temporais de Longo Prazo
Autoformer é uma arquitetura de aprendizado profundo para previsão de séries temporais de longo prazo, introduzida por Wu et al. da Universidade Tsinghua na NeurIPS 2021. Ela substitui o mecanismo padrão de autoatenção por um mecanismo de Auto-Correlação que explora dependências periódicas no domínio da frequência, e incorpora um bloco de decomposição progressiva de séries em todo o codificador e decodificador para modelar separadamente os componentes de tendência e sazonal.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Como citar esta página
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/pt/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- FEDformer: Transformer com Decomposição e Aumento de FrequênciaAprendizado profundo↔ compare
- InformerAprendizado profundo↔ compare
- TimesNet: Modelagem de Variação Temporal 2D para Séries TemporaisAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →