DeepAR
DeepAR é o modelo de previsão industrial da Amazon, introduzido por Salinas, Flunkert e Gasthaus (2017; publicado em 2020), que utiliza uma rede neural recorrente autorregressiva para estimar os parâmetros de uma distribuição de probabilidade a cada passo, produzindo um intervalo de confiança em vez de uma previsão pontual. Ele pode modelar muitas séries temporais relacionadas conjuntamente dentro de um único modelo.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/pt/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Previsão Conforme para Previsão de Séries TemporaisEconometria↔ compare
- N-HiTSAprendizado profundo↔ compare
- PatchTSTAprendizado profundo↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →