DLinear: Модель лінійного розкладу для прогнозування часових рядів
DLinear — це легка модель прогнозування часових рядів, представлена Zeng et al. на AAAI 2023. Вона ставить під сумнів поширене припущення, що архітектури на основі Transformer необхідні для точного довгострокового прогнозування. Модель розкладає вхідну послідовність на компоненти тренду та сезонності за допомогою фільтра ковзного середнього, потім застосовує окремі одновимірні лінійні перетворення до кожного компонента перед сумуванням їх виходів для отримання остаточного прогнозу.
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
- Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). DLinear (Decomposition Linear Model for Forecasting). ScholarGate. https://scholargate.app/uk/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.
- Модель ARIMA (Авторегресійна інтегрована ковзна середня)Економетрика↔ compare
- PatchTSTГлибоке навчання↔ compare
- TSMixer: суцільно MLP-архітектура для прогнозування часових рядівГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →