ETSformer: Експоненцијално изглађивање Трансформера за прогнозирање временских серија
ETSformer је архитектура дубоког учења за прогнозирање временских серија коју су увели Woo et al. 2022. године. Интегрише класичне принципе експоненцијалног изглађивања директно у Трансформер оквир замењујући стандардну само-пажњу (self-attention) механизмом пажње заснованим на експоненцијалном изглађивању. Модел разлаже временску серију на компоненте нивоа, раста (тренда) и сезоне, што му омогућава да искористи како моделовање дугорочних зависности Трансформера, тако и интерпретабилну структуру статистичких ETS модела.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/sr/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.
- AutoformerDuboko učenje↔ compare
- ETS: Eksponencijalno izglađivanje greške, trenda i sezonskostiEkonometrija↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →