ETSformer: Eksponentiel udjævningstransformere til tidsserieprognoser
ETSformer er en deep learning-arkitektur til tidsserieprognoser, introduceret af Woo et al. i 2022. Den integrerer klassiske principper for eksponentiel udjævning direkte i Transformer-rammeværket ved at erstatte standard selvopmærksomhed med en eksponentiel udjævnings-opmærksomhedsmekanisme. Modellen dekomponerer en tidsserie i niveau-, vækst- (trend-) og sæsonkomponenter, hvilket gør det muligt at udnytte både Transformers' modellering af langtrækkende afhængigheder og den fortolkelige struktur af statistiske ETS-modeller.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/da/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-dekomposition til langtids-tidsserieprognoserDyb læring↔ compare
- ETS: Eksponentiel udjævning med fejl, trend og sæsonudsvingØkonometri↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →