ETSformer: Eksponenciālās izlīdzināšanas transformeri laika sēriju prognozēšanai
ETSformer ir dziļās apmācības arhitektūra laika sēriju prognozēšanai, ko 2022. gadā ieviesa Woo et al. Tā integrē klasiskos eksponenciālās izlīdzināšanas principus tieši Transformeru sistēmā, aizstājot standarta pašuzmanību ar eksponenciālās izlīdzināšanas uzmanības mehānismu. Modelis sadala laika sēriju līmeņa, pieauguma (tendences) un sezonālajos komponentos, ļaujot tam izmantot gan Transformeru spēju modelēt tāldarbības atkarības, gan statistisko ETS modeļu interpretējamo struktūru.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/lv/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 ar dekompozīciju ilgtermiņa laika virkņu prognozēšanaiDziļā mācīšanās↔ compare
- ETS: Kļūda, tendence, sezonas eksponenciālā izlīdzināšanaEkonometrija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →