Transformers: Der endgültige Leitfaden (German Edition)

Kapitel 2. Transformatoren für Zeitreihen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Transformers haben bei der Modellierung von Zeitreihen an Beliebtheit gewonnen, da sie Interaktionen in langen Sequenzen effektiver erfassen können als Modelle mit rekurrenten neuronalen Netzen (RNN). Der Self-Attention-Mechanismus in Transformern reduziert die maximale Länge der Signalwege im Netzwerk auf das theoretische Minimum von O(1), indem er es jedem Element in der Sequenz ermöglicht, direkt auf jedes andere Element zu achten. Dadurch entfallen rekurrente Strukturen und es entsteht ein effizienterer Informationsfluss. Infolgedessen zeigen Transformer großes Potenzial für die Langzeit-Zeitreihenprognose (LSTF) und andere Bereiche wie Anomalieerkennung und räumlich-zeitliche Zeitreihenvorhersage.

Viele Anwendungen in der Praxis, wie Wettervorhersagen, Verkehrsprognosen, industrielle Prozesssteuerungen und die Planung des Stromverbrauchs, erfordern die Vorhersage langer Zeitreihen. LSTF erfordert ein Modell mit hoher Vorhersagekapazität, das in der Lage ist, präzise weitreichende Abhängigkeiten zwischen Eingabe und Ausgabe effizient zu erfassen.

Darüber hinaus ist die probabilistische Zeitreihenprognose eine wichtige Aufgabe in vielen praktischen Anwendungen, von der Finanzwelt über die Wettervorhersage bis hin zur Verwaltung der Leistung von Computersystemen. Genaue probabilistische Prognosen sind ...