将久经考验的季节性趋势分解和指数加权理念融入现代Transformer框架。季节性和趋势是时间序列数据的关键组成部分，ETSformer 将这些时间序列先验融入到 Transformer 模型的架构中。
这使得预测成为人类可解释的水平、增长和季节性成分的组合。
结果是：一种有效、高效且可解释的深度学习模型。
深入探究：ETSformer 的工作原理
生成预测：受经典 ETS 方法的启发
图 1 直观地概述了 ETSformer 如何生成预测：
步骤 1：ETSformer 首先将输入的时间序列分解为季节和趋势成分——后者由水平项和增长项组成。执行此步骤的原因在于：提取中间表示使我们能够在比原始输入更精细的层面上进行推断（参见下一步），最终获得更准确的预测。
步骤 2：ETSformer 现在将两个中间成分外推至未来。季节性成分提取显著的周期模式并 手机号数据库列表 进行外推。趋势成分首先估计时间序列的当前水平，然后添加一个阻尼增长项来生成趋势预测。（阻尼用于避免高估未来增长——换句话说，避免过度乐观并假设趋势将持续不减。）
步骤 3：最后一步通过组合或重新组合（现在推断的）季节和趋势成分来生成最终预测。
图 1. ETSformer 如何生成预测的概述：首先将输入数据分解（红色向下箭头）为季节和趋势模式，然后推断这两个指标，最后通过组合（红色向上箭头）将它们重新组合成最终的预测范围。
系统架构：Transformer 为核心
我们的系统架构本质上是一个转换器，由一个编码器和一个解码器组成，每个编码器和解码器在三个主要步骤中都发挥着关键作用：
分解：编码器负责接收时间序列，并从输入时间序列中提取水平、增长和季节性成分。
外推：这些组件随后被传递到解码器，解码器将它们外推到未来。
组成：在退出解码器之前，这些外推成分被融合成对未来的单一预测。