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.
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
- 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.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ compare
- PatchTSTDjupinlärning↔ compare
- TSMixer: All-MLP-arkitektur för tidsserieprognoserDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →