Autoformer: Трансформер із декомпозицією для довгострокового прогнозування часових рядів
Autoformer — це архітектура глибокого навчання для довгострокового прогнозування часових рядів, представлена У та ін. з Університету Цінхуа на NeurIPS 2021. Вона замінює стандартний механізм самостійної уваги механізмом автокореляції, який використовує періодичні залежності в частотній області, та вбудовує блок прогресивної декомпозиції ряду в енкодер і декодер для окремого моделювання трендових і сезонних компонентів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/uk/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.
- Модель ARIMA (Авторегресійна інтегрована ковзна середня)Економетрика↔ compare
- FEDformer: Трансформер з покращеною частотою та розкладаннямГлибоке навчання↔ compare
- InformerГлибоке навчання↔ compare
- TimesNet: Моделювання часових 2D-варіацій для часових рядівГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →