DeepAR
DeepAR เป็นแบบจำลองการพยากรณ์เชิงอุตสาหกรรมของ Amazon ซึ่งนำเสนอโดย Salinas, Flunkert และ Gasthaus (2017; ตีพิมพ์ 2020) ที่ใช้โครงข่ายประสาทเทียมแบบเวียนซ้ำ (recurrent neural network) แบบออโตริเกรสซีฟ (autoregressive) เพื่อประมาณค่าพารามิเตอร์ของการแจกแจงความน่าจะเป็นในแต่ละขั้นตอน ทำให้ได้ช่วงความเชื่อมั่นแทนการพยากรณ์ค่าเดียว สามารถจำลองอนุกรมเวลาที่เกี่ยวข้องกันหลายรายการร่วมกันภายในแบบจำลองเดียว
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Salinas, D., Flunkert, V., Gasthaus, J. & Januschowski, T. (2020). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. International Journal of Forecasting, 36(3), 1181–1191. DOI: 10.1016/j.ijforecast.2019.07.001 ↗
- Salinas, D., Flunkert, V. & Gasthaus, J. (2017). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. arXiv:1704.04110. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/th/deep-learning/deepar
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
- การพยากรณ์แบบคอนฟอร์มอลสำหรับอนุกรมเวลาเศรษฐมิติ↔ compare
- N-HiTSการเรียนรู้เชิงลึก↔ compare
- PatchTSTการเรียนรู้เชิงลึก↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare