ETSformer: Экспоненциальное сглаживание Трансформеров для прогнозирования временных рядов
ETSformer — это архитектура глубокого обучения для прогнозирования временных рядов, представленная Woo et al. в 2022 году. Она интегрирует классические принципы экспоненциального сглаживания непосредственно в фреймворк Трансформера, заменяя стандартное самовнимание механизмом внимания на основе экспоненциального сглаживания. Модель раскладывает временной ряд на компоненты уровня, роста (тренда) и сезонности, что позволяет ей использовать как моделирование долгосрочных зависимостей Трансформеров, так и интерпретируемую структуру статистических ETS-моделей.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/ru/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.
- AutoformerГлубокое обучение↔ compare
- ETS: Экспоненциальное сглаживание с учетом ошибки, тренда и сезонностиЭконометрика↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →