ETSformer: Εξομαλυντικοί Μετασχηματιστές Εκθετικής Εξομάλυνσης για Πρόβλεψη Χρονοσειρών
Το ETSformer είναι μια αρχιτεκτονική βαθιάς μάθησης για πρόβλεψη χρονοσειρών που εισήχθη από τους Woo et al. το 2022. Ενσωματώνει κλασικές αρχές εκθετικής εξομάλυνσης απευθείας στο πλαίσιο του Transformer, αντικαθιστώντας την τυπική αυτο-προσοχή με έναν μηχανισμό προσοχής εκθετικής εξομάλυνσης. Το μοντέλο αποσυνθέτει μια χρονοσειρά σε συνιστώσες επιπέδου, ανάπτυξης (τάσης) και εποχικότητας, επιτρέποντάς του να αξιοποιήσει τόσο τη μοντελοποίηση μακροπρόθεσμων εξαρτήσεων των Transformers όσο και την ερμηνεύσιμη δομή των στατιστικών μοντέλων ETS.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/el/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 Αποσύνθεσης για Μακροχρόνιες Προβλέψεις ΧρονοσειρώνΒαθιά Μάθηση↔ compare
- ETS: Εξομάλυνση Εκθετικής Σφάλματος, Τάσης, ΕποχικότηταςΟικονομετρία↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →