ETSformer: Експоненциално изглаждащи Трансформъри за прогнозиране на времеви редове
ETSformer е архитектура за дълбоко обучение за прогнозиране на времеви редове, представена от Woo et al. през 2022 г. Тя интегрира класически принципи на експоненциално изглаждане директно в рамките на Трансформър, като заменя стандартното самонаблюдение с механизъм за наблюдение чрез експоненциално изглаждане. Моделът разлага времевия ред на компоненти за ниво, растеж (тренд) и сезонност, което му позволява да използва както моделирането на дългосрочни зависимости на Трансформърите, така и интерпретируемата структура на статистическите ETS модели.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/bg/deep-learning/etsformer
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.
- AutoformerДълбоко обучение↔ compare
- ETS: Грешка, Тренд, Сезонно експоненциално изглажданеИконометрия↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →