DeepAR
DeepAR är Amazons industriella prognosmodell, introducerad av Salinas, Flunkert och Gasthaus (2017; publicerad 2020), som använder ett autoregressivt rekurrent neuralt nätverk för att estimera parametrarna för en sannolikhetsfördelning vid varje steg, vilket ger ett konfidensintervall snarare än en enskild punktprognos. Den kan modellera många relaterade tidsserier gemensamt inom en enda modell.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/sv/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.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ compare
- Konform prediktion för tidsserieprognoserEkonometri↔ compare
- N-HiTSDjupinlärning↔ compare
- PatchTSTDjupinlärning↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →