# Sieci głębokie do prognozowania szeregów EN: **Deep learning forecasting models** · id `deepforecasting` · aliases: neural forecasting, deep forecasting Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Szeregi czasowe: prognozy, anomalie i klasyfikacja](https://aiatlasgraph.com/t/timeseries.md) › Sieci głębokie do prognozowania szeregów ## Description - PL: Architektury neuronowe do prognoz wielohoryzontowych: sieci rekurencyjne, stosy bloków w pełni połączonych i transformery, trenowane globalnie na wielu seriach. - EN: Neural architectures for multi-horizon forecasting: recurrent networks, stacks of fully connected blocks and transformers, trained globally across many series. ## In one sentence - PL: Sieci neuronowe trenowane na wielu seriach pomiarów, które uczą się przewidywać kilka kroków naprzód, czasem razem z niepewnością. - EN: Neural networks trained on many measurement series that learn to predict several steps ahead, sometimes together with uncertainty. ## Problem it solves - PL: Gdy serii są tysiące, a ich wzorce są splątane i zależą od wielu czynników, ręczne dobieranie modeli przestaje się skalować. - EN: When there are thousands of series with tangled patterns driven by many factors, choosing models by hand stops scaling. ## What it does - PL: Sieć sama wyłuskuje z długich historii powtarzalne kształty i reaguje na znane z góry czynniki, zamiast polegać na ręcznie wpisanych założeniach. - EN: The network extracts recurring shapes from long histories and reacts to drivers known in advance, instead of relying on hand-written assumptions. ## Everyday example - PL: Operator sieci energetycznej prognozuje godzinowe zapotrzebowanie na prąd w setkach punktów na dobę naprzód, uwzględniając prognozę temperatury. - EN: A power grid operator forecasts hourly electricity demand at hundreds of points a day ahead, taking the temperature forecast into account. ## This concerns you if you… - PL: masz bardzo wiele serii z długą historią - PL: chcesz łączyć historię z planowanymi zdarzeniami - PL: porównujesz sieci neuronowe z prostszymi modelami prognoz - EN: have very many series with long histories - EN: want to combine history with planned events - EN: are comparing neural networks with simpler forecasting models ## Keywords N-BEATS · N-HiTS · DeepAR · Temporal Fusion Transformer · PatchTST · TiDE · neuralforecast · GluonTS · PyTorch Forecasting ## How it works - PL: Modele uczą się mapowania z okna historii i zmiennych znanych w przyszłości na wiele kroków naprzód. Podejścia autoregresyjne z LSTM przewidują parametry rozkładu i próbkują ścieżki; stosy bloków w pełni połączonych z połączeniami rezydualnymi rozkładają sygnał na składowe; transformery z selekcją zmiennych i uwagą łączą cechy statyczne i dynamiczne. - EN: Models learn a mapping from a history window and known future inputs to many steps ahead. Autoregressive LSTM approaches predict distribution parameters and sample paths; stacks of fully connected blocks with residual links decompose the signal; transformers with variable selection and attention combine static and dynamic features. ## Limits - PL: Wymagają dużo danych, mocy obliczeniowej i strojenia; na krótkich lub pojedynczych seriach często przegrywają z prostymi modelami. Porównania w publikacjach bywają wrażliwe na dobór zbiorów i punktów odniesienia. - EN: They need plenty of data, compute and tuning; on short or single series they often lose to simple models. Published comparisons can be sensitive to the choice of datasets and baselines. ## Key terms - PL: **prognoza wielohoryzontowa**: Przewidywanie wielu przyszłych kroków jednocześnie. - PL: **zmienne znane w przyszłości**: Dane znane z góry, np. kalendarz lub zaplanowane promocje. - PL: **rozwinięcie w bazie**: Rozkład prognozy na interpretowalne składowe, np. trend i sezonowość. - EN: **multi-horizon forecast**: Predicting many future steps at once. - EN: **known future inputs**: Data known in advance, such as calendars or planned promotions. - EN: **basis expansion**: Splitting a forecast into interpretable parts such as trend and seasonality. ## Know first - [LSTM i GRU — sieci z bramkami pamięci (LSTM and GRU (gated recurrent networks))](https://aiatlasgraph.com/t/lstmgru.md) - [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md) ## Related topics Untyped, symmetric "see also" links. - [Modele bazowe dla szeregów czasowych (Time-series foundation models)](https://aiatlasgraph.com/t/tsfoundation.md) ## Sources - [N-BEATS: Neural basis expansion analysis for interpretable time series forecasting]() `oreshkin-nbeats-2019` · by Boris N. Oreshkin, Dmitri Carpov, Nicolas Chapados, Yoshua Bengio - [DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks]() `salinas-deepar-2017` · by David Salinas, Valentin Flunkert, Jan Gasthaus, Tim Januschowski - [Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting]() `lim-tft-2019` · by Bryan Lim, Sercan O. Arik, Nicolas Loeff, Tomas Pfister --- AI Atlas revision 126 (2026-11-03) · HTML: https://aiatlasgraph.com/t/deepforecasting · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-03