DLinear: Zaman Serisi Tahmini için Ayrıştırma Doğrusal Modeli
DLinear (Decomposition Linear Model for Forecasting) · Ayrıca şöyle bilinir: Decomposition Linear, DLinear Forecaster, Linear Decomposition Model, Ayrışım Doğrusal Modeli
DLinear, Zeng ve ark. tarafından AAAI 2023'te sunulan hafif bir zaman serisi tahmin modelidir. Transformer tabanlı mimarilerin uzun vadeli tahminler için gerekli olduğu yönündeki yaygın varsayıma meydan okur. Model, giriş dizisini hareketli ortalama filtresi kullanarak eğilim ve mevsimsel bileşenlere ayırır, ardından her bileşene ayrı tek katmanlı doğrusal dönüşümler uygular ve son tahmini üretmek için çıktılarını toplar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
DLinear, hesaplama verimliliğinin ve yorumlanabilirliğin önemli olduğu uzun vadeli tek değişkenli veya kanal bağımsız çok değişkenli tahmin görevleri için uygundur. Zaman serisi ayrıştırılabilir bir eğilim-mevsimsel yapı sergilediğinde en iyi şekilde çalışır. Değişkenler arası etkileşimlerin önemli olduğu, serinin açıkça ayrıştırılabilir bir yapıya sahip olmadığı veya olasılıksal tahminlerin gerekli olduğu durumlarda daha az uygundur. Daha zengin zamansal temsiller veya kanal karıştırma gerektiğinde PatchTST veya TSMixer'ı göz önünde bulundurun.
Güçlü yönler & sınırlılıklar
- Transformer tabanlı modellere göre çok daha az parametreye sahip son derece hafif mimari, hızlı eğitim ve çıkarım sağlar
- Ayrıştırma adımı, eğilim ve mevsimsel dinamiklerin yorumlanabilir bir ayrımını sağlar
- Standart kıyaslamalarda birçok Transformer varyantına göre rekabetçi veya üstün uzun vadeli tahmin doğruluğu
- Kanal bağımsız tasarım, yüksek boyutlu verilerdeki yapay değişkenler arası korelasyonlardan kaynaklanan aşırı uyumu önler
- Doğrusal olmayan zamansal bağımlılıkları veya değişkenler arasındaki karmaşık etkileşimleri modelleyemez
- Tek katmanlı doğrusal projeksiyon, oldukça düzensiz veya kaotik serileri yetersiz modelleyebilir
- Hareketli ortalama ayrıştırması, nispeten durağan bir mevsimsel dönem varsayar ve gelişen mevsimsellik ile mücadele edebilir
- Doğal olarak belirsizlik tahminleri veya olasılıksal tahminler üretmez
SSS
DLinear, düz bir doğrusal regresyon modelinden nasıl farklıdır?
Ham seriye uygulanan tek bir doğrusal regresyonun aksine, DLinear önce girişi hareketli ortalama filtresi kullanarak eğilim ve mevsimsel bileşenlere ayırır ve ardından her bileşene iki ayrı doğrusal katman uygular. Bu ayrıştırma, her doğrusal katmanın sinyalin yapısal olarak farklı bölümlerine uzmanlaşmasına izin vererek, basitliği korurken tahmin doğruluğunu artırır.
DLinear çok değişkenli tahmin için uygun mudur?
DLinear, her değişkeni bağımsız bir tek değişkenli seri olarak ele alarak kanal bağımsız bir şekilde çok değişkenli verilere uygulanabilir. Bu, genelleştirmeye zarar verebilecek yapay değişkenler arası korelasyonları önler. Ancak, değişkenler arası ilişkileri modellemez, bu nedenle değişkenler arası dinamiklerin kritik olduğu görevler TSMixer gibi modellerden fayda sağlayabilir.
DLinear ile hangi geçmiş pencere uzunluğu kullanılmalıdır?
Orijinal makale birden fazla geçmiş pencere uzunluğunu incelemektedir ve performans veri kümesine göre değişebilir. Uzun vadeli kıyaslamalar için yaygın bir pratik seçim 336 veya 512 zaman adımıdır, ancak optimal uzunluk hedef veri kümesi üzerinde çapraz doğrulama yoluyla ayarlanmalıdır. Daha uzun pencereler genellikle eğilim ayrıştırmasına yardımcı olur ancak bellek kullanımını doğrusal olarak artırır.
Kaynaklar
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/tr/deep-learning/dlinear
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- TSMixer: Zaman Serisi Tahmini için Tamamen MLP MimarisiDerin öğrenme↔ karşılaştır