Autoformer: Dekompozicioni Transformer za dugoročno predviđanje vremenskih serija
Autoformer je arhitektura dubokog učenja za dugoročno predviđanje vremenskih serija, koju su predstavili Wu et al. sa Univerziteta Tsinghua na NeurIPS 2021. Zamenjuje standardni mehanizam samopažnje (self-attention) mehanizmom autokorelacije (Auto-Correlation) koji koristi periodične zavisnosti u frekventnom domenu, i ugrađuje progresivni blok dekompozicije serije kroz enkoder i dekoder kako bi odvojeno modelovao trend i sezonske komponente.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/sr/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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometrija↔ compare
- FEDformer: Transformer sa poboљšanom frekvencijom i dekompozicijomDuboko učenje↔ compare
- InformerDuboko učenje↔ compare
- TimesNetDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →