Moirai: Universell Transformer för tidsserieprognoser
Moirai är en grundmodell för universell tidsserieprognostisering som introducerades av Gerald Woo och kollegor vid Salesforce Research 2024 och presenterades på ICML. Kärnidén är att förträna en enda stor Transformer på ett exceptionellt mångsidigt korpus av tidsseriedata (LOTSA) som spänner över många domäner och frekvenser, vilket möjliggör nollskotts- och fåskotts-prognostisering på osedda dataset utan uppgiftsspecifik omträning. Moirai använder patch-baserad tokenisering, all-variat-uppmärksamhet och ett utmatningshuvud med blandning av distributioner för att hantera varierande frekvenser, flera variater och probabilistiska prediktioner i en enhetlig arkitektur.
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
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/sv/deep-learning/moirai
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.
- Chronos: En tokeniserad grundmodell för tidsserieprognoserDjupinlärning↔ compare
- PatchTSTDjupinlärning↔ compare
- TimesFM: En grundmodell med endast avkodare för tidsserieprognoserDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →