ETSformer: Exponenciális simítású transzformerek idősor-előrejelzéshez
Az ETSformer egy mélytanulási architektúra idősor-előrejelzéshez, amelyet Woo és mtsai vezettek be 2022-ben. Klasszikus exponenciális simítási elveket integrál közvetlenül a transzformer keretrendszerébe, standard önfigyelmet helyettesítve egy exponenciális simítású figyelmi mechanizmussal. A modell egy idősort szint-, növekedési (trend-) és szezonális komponensekre bont, lehetővé téve mind a transzformerek hosszú távú függőségi modellezésének, mind a statisztikai ETS modellek értelmezhető struktúrájának kihasználását.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/hu/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: Decompozíciós transzformer hosszú távú idősor-előrejelzéshezMélytanulás↔ compare
- ETS: Hiba, Trend, Szezonális Exponenciális SzintezésÖkonometria↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →