Autoformer: Decomposition Transformer för långsiktig tidsserieprognostisering
Autoformer är en djupinlärningsarkitektur för långsiktig tidsserieprognostisering, introducerad av Wu et al. från Tsinghua University vid NeurIPS 2021. Den ersätter den standardmässiga self-attention-mekanismen med en Auto-Correlation-mekanism som utnyttjar periodiska beroenden i frekvensdomänen, och bäddar in ett progressivt serie-dekompositionsblock genomgående i kodaren och avkodaren för att separat modellera trend- och säsongskomponenter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/sv/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.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ compare
- FEDformer: Transformer med frekvensförstärkt dekompositionDjupinlärning↔ compare
- InformerDjupinlärning↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →