DLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลา
DLinear เป็นแบบจำลองการพยากรณ์อนุกรมเวลาที่มีน้ำหนักเบา ซึ่งนำเสนอโดย Zeng และคณะ ในงาน AAAI 2023 แบบจำลองนี้ท้าทายสมมติฐานที่แพร่หลายว่าสถาปัตยกรรมที่ใช้ Transformer จำเป็นสำหรับการพยากรณ์ระยะยาวที่แม่นยำ แบบจำลองทำการแยกส่วนอนุกรมเวลาอินพุตออกเป็นองค์ประกอบแนวโน้มและองค์ประกอบตามฤดูกาลโดยใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่ จากนั้นจึงใช้การแปลงเชิงเส้นชั้นเดียวแยกกันกับแต่ละองค์ประกอบ ก่อนที่จะรวมผลลัพธ์เพื่อสร้างการพยากรณ์สุดท้าย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/th/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.
- แบบจำลอง ARIMA (Autoregressive Integrated Moving Average)เศรษฐมิติ↔ compare
- PatchTSTการเรียนรู้เชิงลึก↔ compare
- TSMixer: สถาปัตยกรรมแบบ All-MLP สำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare