ETSformer: Exponential Smoothing Transformers för tidsserieprognoser

ETSformer är en djupinlärningsarkitektur för tidsserieprognoser som introducerades av Woo et al. 2022. Den integrerar klassiska principer för exponentiell utjämning direkt i Transformer-ramverket genom att ersätta standard self-attention med en uppmärksamhetsmekanism baserad på exponentiell utjämning. Modellen dekomponerar en tidsserie i nivå-, tillväxt- (trend-) och säsongskomponenter, vilket gör att den kan utnyttja både Transformers långväga beroendemodellering och den tolkningsbara strukturen hos statistiska ETS-modeller.