Non-stationary Transformer
Non-stationary Transformer är en Transformer-baserad arkitektur för tidsserieprognoser introducerad av Yong Liu, Haixu Wu, Jianmin Wang och Mingsheng Long vid NeurIPS 2022. Den adresserar en fundamental spänning vid tillämpning av Transformers på verkliga tidsserier: över-stationarisering under förbehandling tar bort icke-stationära signaler som bär prediktiv information, medan råa icke-stationära indata får attention att kollapsa. Modellen löser detta genom serie-stationarisering parad med en ny de-stationär attention-mekanism som återställer den ursprungliga temporala distributionen i prediktioner.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/sv/deep-learning/nonstationary-transformer
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Augmented Dickey-Fuller (ADF) enhetsrotstestEkonometri↔ jämför
- Autoformer: Decomposition Transformer för långsiktig tidsserieprognostiseringDjupinlärning↔ jämför
- InformerDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →