Autoformer: Декомпозиционный трансформер для долгосрочного прогнозирования временных рядов
Autoformer — это архитектура глубокого обучения для долгосрочного прогнозирования временных рядов, представленная У и соавт. из Университета Цинхуа на NeurIPS 2021. Она заменяет стандартный механизм самовнимания механизмом автокорреляции, который использует периодические зависимости в частотной области, и встраивает блок прогрессивной декомпозиции ряда по всему кодировщику и декодеру для раздельного моделирования трендовых и сезонных компонент.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/ru/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.
- Модель ARIMA (авторегрессионная интегрированная скользящая средняя)Эконометрика↔ compare
- FEDformer: Улучшенный частотный трансформер с разложениемГлубокое обучение↔ compare
- ИнформерГлубокое обучение↔ compare
- TimesNet: Моделирование временных двумерных вариаций для временных рядовГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →