DLinear: Линейная модель на основе разложения для прогнозирования временных рядов
DLinear — это легковесная модель прогнозирования временных рядов, представленная Zeng et al. на конференции AAAI 2023. Она ставит под сомнение преобладающее предположение о том, что архитектуры на основе Transformer необходимы для точного долгосрочного прогнозирования. Модель разлагает входную последовательность на компоненты тренда и сезонности с помощью фильтра скользящего среднего, затем применяет отдельные однослойные линейные преобразования к каждому компоненту, суммируя их выходы для получения окончательного прогноза.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/ru/deep-learning/dlinear
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
- PatchTSTГлубокое обучение↔ compare
- TSMixerГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →