ETSformer: Exponenciálne vyhladzované transformery pre prognózovanie časových radov
ETSformer je architektúra hlbokého učenia pre prognózovanie časových radov, ktorú predstavili Woo et al. v roku 2022. Integruje klasické princípy exponenciálneho vyhladzovania priamo do rámca Transformerov nahradením štandardnej mechaniky samopozornosti (self-attention) mechanizmom pozornosti založeným na exponenciálnom vyhladzovaní. Model rozkladá časový rad na zložky úrovne (level), rastu (trend) a sezónnosti, čo mu umožňuje využiť ako modelovanie dlhodobých závislostí Transformerov, tak aj interpretovateľnú štruktúru štatistických ETS modelov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/sk/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: dekompozičný Transformer pre dlhodobé časové radyHlboké učenie↔ compare
- ETS: Chyba, Trend, Sezónne exponenciálne vyhladzovanieEkonometria↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →