ETSformer: การพยากรณ์อนุกรมเวลาด้วย Exponential Smoothing Transformers
ETSformer เป็นสถาปัตยกรรมเรียนรู้เชิงลึกสำหรับการพยากรณ์อนุกรมเวลาที่นำเสนอโดย Woo และคณะ ในปี 2022 สถาปัตยกรรมนี้ได้ผสานหลักการ Exponential Smoothing แบบดั้งเดิมเข้ากับโครงสร้าง Transformer โดยตรง ด้วยการแทนที่กลไก Self-Attention มาตรฐานด้วยกลไก Exponential Smoothing Attention โมเดลนี้จะแยกอนุกรมเวลาออกเป็นองค์ประกอบระดับ (level) การเติบโต (growth/trend) และฤดูกาล (seasonal) ทำให้สามารถใช้ประโยชน์จากการจำลองความสัมพันธ์ระยะยาวของ Transformer และโครงสร้างที่ตีความได้ของโมเดล ETS ทางสถิติ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/th/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: Decomposition Transformer สำหรับการพยากรณ์อนุกรมเวลาในระยะยาวการเรียนรู้เชิงลึก↔ compare
- ETS: การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลสำหรับความคลาดเคลื่อน, แนวโน้ม, และฤดูกาลเศรษฐมิติ↔ compare