サインイン
インサイト - 시계열 예측 모델링
고차원 시계열 데이터를 활용한 시공간 정보 변환 기반의 정확한 다단계 예측 모델 DEFM
고차원 시계열 데이터의 공간 정보를 시간 정보로 변환하여 목표 변수의 미래 값을 정확하게 예측하는 DEFM 모델을 제안한다.
실제 데이터 특성을 반영한 장기 시계열 예측을 위한 적응형 시간-주파수 앙상블 네트워크
실제 시계열 데이터의 주기성 특성을 고려하여 시간 영역과 주파수 영역의 장단점을 효과적으로 활용하는 예측 모델 제안
다양한 시간 규모의 시계열 데이터를 효과적으로 예측하는 다중 해상도 시계열 트랜스포머
제안된 다중 해상도 시계열 트랜스포머(MTST) 모델은 다양한 시간 규모의 시계열 패턴을 동시에 모델링할 수 있으며, 이를 통해 기존 모델들보다 우수한 장기 예측 성능을 달성한다.
고정밀 혼돈 예측을 위한 트리 기반 학습
트리 기반 학습 방법인 TreeDOX는 하이퍼파라미터 튜닝이 필요 없으면서도 기존 모델들과 비교해 유사하거나 더 나은 예측 성능을 보인다.
고정밀 혼돈 예측을 위한 트리 기반 학습
트리 기반 학습 방법인 TreeDOX는 하이퍼파라미터 튜닝이 필요 없으면서도 기존 방법들과 비교해 유사하거나 더 나은 예측 성능을 보인다.
© 2024 by Linnk AI