ETSformer: تبدیلکنندههای هموارسازی نمایی برای پیشبینی سریهای زمانی
ETSformer یک معماری یادگیری عمیق برای پیشبینی سریهای زمانی است که توسط وو و همکاران در سال ۲۰۲۲ معرفی شد. این معماری اصول کلاسیک هموارسازی نمایی را با جایگزینی خودتوجهی استاندارد با یک مکانیزم توجه هموارسازی نمایی، مستقیماً در چارچوب Transformer ادغام میکند. این مدل یک سری زمانی را به مؤلفههای سطح، رشد (روند) و فصلی تجزیه میکند و به آن اجازه میدهد تا هم از مدلسازی وابستگیهای بلندمدت Transformerها و هم از ساختار قابل تفسیر مدلهای آماری ETS بهره ببرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/fa/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: ترنسفورمر تجزیهکننده برای پیشبینی سریهای زمانی بلندمدتیادگیری عمیق↔ compare
- ETS: هموارسازی نمایی خطا، روند، فصلیاقتصادسنجی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →