ETSformer: Transformery s exponenciálním vyhlazováním pro prognózování časových řad
ETSformer je architektura hlubokého učení pro prognózování časových řad, kterou představili Woo et al. v roce 2022. Integruje klasické principy exponenciálního vyhlazování přímo do rámce Transformeru nahrazením standardní mechanismu self-attention mechanismem pozornosti založeným na exponenciálním vyhlazování. Model rozkládá časovou řadu na složky úrovně, růstu (trendu) a sezónnosti, což mu umožňuje využít jak modelování dlouhodobých závislostí Transformerů, tak interpretovatelnou strukturu statistických modelů ETS.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/cs/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.
- Autoformer: Transformer s dekompozicí pro dlouhodobé časové řadyHluboké učení↔ compare
- ETS: Error, Trend, Seasonal Exponential SmoothingEkonometrie↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →