ScholarGate
Assistent
Machine learningTime-series forecasting

DLinear: Decomposition Linear Model för tidsserieprognoser

DLinear är en lättviktig modell för tidsserieprognoser som introducerades av Zeng et al. vid AAAI 2023. Den utmanar den rådande antagandet att Transformer-baserade arkitekturer är nödvändiga för noggranna prognoser över långa horisonter. Modellen sönderdelar en indatasekvens i trend- och säsongskomponenter med hjälp av ett rörligt medelfilter, tillämpar sedan separata linjära transformationer med ett enda lager på varje komponent innan utdatan summeras för att producera den slutliga prognosen.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

Källor

  1. Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link

Så citerar du den här sidan

ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/sv/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.

Compare side by side

Refereras av

ScholarGateDLinear (DLinear (Decomposition Linear Model for Forecasting)). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/dlinear · Datamängd: https://doi.org/10.5281/zenodo.20539026