ETSformer: Eksponentiell glattingstransformatorer for tidsserieprognoser
ETSformer er en dyp læringsarkitektur for tidsserieprognoser introdusert av Woo et al. i 2022. Den integrerer klassiske prinsipper for eksponentiell glatting direkte i Transformer-rammeverket ved å erstatte standard selv-oppmerksomhet med en oppmerksomhetsmekanisme basert på eksponentiell glatting. Modellen dekomponerer en tidsserie i nivå-, vekst- (trend-) og sesongkomponenter, noe som gjør at den kan utnytte både langdistanseavhengighetsmodelleringen til Transformere og den tolkbare strukturen til statistiske ETS-modeller.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/no/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 for Decomposing Long-Term TidsserierprognoserDyp læring↔ compare
- ETS: Feil, Trend, SesongglattingØkonometri↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →