Informer
Informer é um modelo baseado em Transformer introduzido por Zhou et al. em 2021 para previsão de séries temporais de longa sequência, utilizando um mecanismo de autoatenção ProbSparse que reduz a complexidade computacional do Transformer padrão para O(L log L). Ele é construído para problemas que exigem previsões ao longo de milhares de passos futuros.
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.
+3 more
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/pt/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- DeepARAprendizado profundo↔ 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 →