DeepAR
DeepAR — це промислова модель прогнозування Amazon, представлена Салінасом, Флункертом і Гастхаусом (Salinas, Flunkert and Gasthaus) у 2017 році (опублікована у 2020 році), яка використовує авторегресивну рекурентну нейронну мережу для оцінки параметрів розподілу ймовірностей на кожному кроці, створюючи довірчий інтервал, а не єдиний точковий прогноз. Вона може моделювати багато пов'язаних часових рядів спільно в межах однієї моделі.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks. ScholarGate. https://scholargate.app/uk/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.
- Модель ARIMA (Авторегресійна інтегрована ковзна середня)Економетрика↔ compare
- Конформне прогнозування для прогнозування часових рядівЕконометрика↔ compare
- N-HiTSГлибоке навчання↔ compare
- PatchTSTГлибоке навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →