Machine learningTime-series forecasting

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.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

Источники

  1. 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.

Compare side by side
ScholarGateETSformer (ETSformer (Exponential Smoothing Transformer)). Получено 2026-06-15 из https://scholargate.app/ru/deep-learning/etsformer · Набор данных: https://doi.org/10.5281/zenodo.20539026