Catatan bukti metode

ETSformer

ETSformer is a deep learning architecture for time-series forecasting introduced by Woo et al. in 2022. It integrates classical exponential smoothing principles directly into the Transformer framework by replacing standard self-attention with an exponential smoothing attention mechanism. The model decomposes a time series into level, growth (trend), and seasonal components, allowing it to leverage both the long-range dependency modeling of Transformers and the interpretable structure of statistical ETS models.

Sources recorded, not reviewed

Catatan sumber

Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.

ETSformer (Exponential Smoothing Transformer)

Catatan metode taksonomi · ml-model / deep-learning

Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. · URL

Buka metode lengkap

Klaim yang dikurasi

Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.

Belum ada klaim yang dikurasi

Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.

Metode terkait

Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.

Taxonomic bucketAutoformermachine-suggested · Relational suggestion, not evidence.See alsoETS Modelmachine-suggested · Relational suggestion, not evidence.