Autoformer: Decomposition Transformer สำหรับการพยากรณ์อนุกรมเวลาในระยะยาว
Autoformer เป็นสถาปัตยกรรมโครงข่ายประสาทเชิงลึกสำหรับการพยากรณ์อนุกรมเวลาในระยะยาว ซึ่ง Wu และคณะจากมหาวิทยาลัย Tsinghua ได้นำเสนอในงาน NeurIPS 2021 โดย Autoformer ได้แทนที่กลไก self-attention แบบมาตรฐานด้วยกลไก Auto-Correlation ที่ใช้ประโยชน์จากการพึ่งพาอาศัยกันแบบเป็นคาบในโดเมนความถี่ และฝังบล็อกการแยกส่วนอนุกรมแบบก้าวหน้า (progressive series decomposition block) ตลอดทั้งตัวเข้ารหัส (encoder) และตัวถอดรหัส (decoder) เพื่อจำลองส่วนประกอบแนวโน้ม (trend) และส่วนประกอบตามฤดูกาล (seasonal) แยกกัน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/th/deep-learning/autoformer
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.
- แบบจำลอง ARIMA (Autoregressive Integrated Moving Average)เศรษฐมิติ↔ compare
- FEDformer: หม้อแปลงไฟฟ้าแบบแยกส่วนที่ปรับปรุงความถี่การเรียนรู้เชิงลึก↔ compare
- Informerการเรียนรู้เชิงลึก↔ compare
- TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลาการเรียนรู้เชิงลึก↔ compare