Moirai: แบบจำลองพื้นฐานสำหรับการพยากรณ์อนุกรมเวลาแบบสากล
Moirai เป็นแบบจำลองพื้นฐานสำหรับการพยากรณ์อนุกรมเวลาแบบสากลที่นำเสนอโดย Gerald Woo และคณะจาก Salesforce Research ในปี 2024 และนำเสนอในงาน ICML แนวคิดหลักคือการฝึกฝน Transformer ขนาดใหญ่เพียงตัวเดียวบนคลังข้อมูลอนุกรมเวลาที่หลากหลายเป็นพิเศษ (LOTSA) ซึ่งครอบคลุมหลายโดเมนและความถี่ ทำให้สามารถพยากรณ์แบบ zero-shot และ few-shot บนชุดข้อมูลที่ไม่เคยเห็นมาก่อนโดยไม่ต้องฝึกฝนใหม่เฉพาะสำหรับงาน Moirai ใช้การแบ่งอนุกรมเวลาเป็นแพตช์ (patch-based tokenization), การใส่ใจแบบทุกตัวแปร (any-variate attention), และหัวเอาต์พุตแบบผสมการแจกแจง (mixture-of-distributions output head) เพื่อจัดการกับความถี่ที่แตกต่างกัน ตัวแปรหลายตัว และการพยากรณ์แบบความน่าจะเป็นในสถาปัตยกรรมแบบรวมศูนย์
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/th/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: แบบจำลองพื้นฐานแบบโทเค็นสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- PatchTSTการเรียนรู้เชิงลึก↔ compare
- TimesFM: แบบจำลองพื้นฐานแบบถอดรหัสเท่านั้นสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare