Autoformer: Biến đổi phân tách cho dự báo chuỗi thời gian dài hạn
Autoformer là một kiến trúc học sâu để dự báo chuỗi thời gian dài hạn, được giới thiệu bởi Wu et al. từ Đại học Thanh Hoa tại NeurIPS 2021. Nó thay thế cơ chế tự chú ý tiêu chuẩn bằng cơ chế Tự tương quan (Auto-Correlation) khai thác các phụ thuộc định kỳ trong miền tần số, và nhúng một khối phân tách chuỗi lũy tiến xuyên suốt bộ mã hóa và bộ giải mã để mô hình hóa riêng biệt các thành phần xu hướng và mùa vụ.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/vi/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.
- Mô hình ARIMA (Autoregressive Integrated Moving Average)Kinh tế lượng↔ compare
- FEDformer: Transformer phân rã tăng cường tần sốHọc sâu↔ compare
- InformerHọc sâu↔ compare
- TimesNet: Mô hình hóa Biến thiên 2D theo Thời gian cho Chuỗi Thời gianHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →