DeepAR
DeepAR — это промышленная модель прогнозирования от Amazon, представленная Салинасом, Флункертом и Гастаусом (2017; опубликована в 2020 г.), которая использует авторегрессионную рекуррентную нейронную сеть для оценки параметров вероятностного распределения на каждом шаге, генерируя доверительный интервал вместо точечного прогноза. Она позволяет совместно моделировать множество связанных временных рядов в рамках одной модели.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/ru/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.
- Модель ARIMA (авторегрессионная интегрированная скользящая средняя)Эконометрика↔ compare
- Конформное прогнозирование для временных рядовЭконометрика↔ compare
- N-HiTSГлубокое обучение↔ compare
- PatchTSTГлубокое обучение↔ compare
- Случайный лесМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →