ETSformer: Трансформери експоненційного згладжування для прогнозування часових рядів
ETSformer — це архітектура глибокого навчання для прогнозування часових рядів, представлена Woo та ін. у 2022 році. Вона інтегрує класичні принципи експоненційного згладжування безпосередньо у фреймворк Transformer, замінюючи стандартну механізм самостійної уваги механізмом уваги на основі експоненційного згладжування. Модель розкладає часовий ряд на компоненти рівня, зростання (тренду) та сезонності, що дозволяє їй використовувати як моделювання довгострокових залежностей Transformer, так і інтерпретовану структуру статистичних моделей ETS.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/uk/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.
- AutoformerГлибоке навчання↔ compare
- ETS: Похибка, Тренд, Сезонне Експоненційне ЗгладжуванняЕконометрика↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →