ETSformer: Exponential Smoothing Transformers untuk Peramalan Deret Waktu
ETSformer adalah arsitektur pembelajaran mendalam untuk peramalan deret waktu yang diperkenalkan oleh Woo et al. pada tahun 2022. Model ini mengintegrasikan prinsip-prinsip pemulusan eksponensial klasik langsung ke dalam kerangka kerja Transformer dengan mengganti perhatian diri standar dengan mekanisme perhatian pemulusan eksponensial. Model ini menguraikan deret waktu menjadi komponen level, pertumbuhan (tren), dan musiman, yang memungkinkannya memanfaatkan pemodelan dependensi jarak jauh dari Transformer dan struktur interpretatif dari model ETS statistik.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/id/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 Dekomposisi untuk Peramalan Deret Waktu Jangka PanjangPembelajaran Mendalam↔ compare
- ETS: Perataan Eksponensial Kesalahan, Tren, MusimanEkonometrika↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →