ETSformer: Transformery z wygładzaniem wykładniczym do prognozowania szeregów czasowych
ETSformer to architektura uczenia głębokiego do prognozowania szeregów czasowych, wprowadzona przez Woo i wsp. w 2022 roku. Integruje ona klasyczne zasady wygładzania wykładniczego bezpośrednio w ramach Transformera, zastępując standardową samo-uwagę mechanizmem uwagi opartym na wygładzaniu wykładniczym. Model dekomponuje szereg czasowy na składowe poziomu, wzrostu (trendu) i sezonowości, co pozwala mu wykorzystać zarówno modelowanie zależności długoterminowych przez Transformery, jak i interpretowalną strukturę statystycznych modeli ETS.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/pl/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.
- AutoformerUczenie głębokie↔ compare
- ETS: Wykładnicze wygładzanie z uwzględnieniem błędu, trendu i sezonowościEkonometria↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →