Autoformer: Transformer cu Descompunere pentru Prognoza Seriilor Temporale pe Termen Lung
Autoformer este o arhitectură de deep learning pentru prognoza seriilor temporale pe termen lung, introdusă de Wu et al. de la Universitatea Tsinghua la conferința NeurIPS 2021. Aceasta înlocuiește mecanismul standard de auto-atenție cu un mecanism de Auto-Corelație care exploatează dependențele periodice în domeniul frecvenței și încorporează un bloc de descompunere progresivă a seriilor în întregul encoder și decoder pentru a modela separat componentele de trend și sezoniere.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/ro/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.
- Modelul ARIMA (Autoregresiv Integrat cu Medii Mobile)Econometrie↔ compare
- FEDformer: Transformer cu frecvență sporită și descompunereÎnvățare profundă↔ compare
- InformerÎnvățare profundă↔ compare
- TimesNet: Modelare a Variației Temporale 2D pentru Serii de TimpÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →