Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting
يمزج التنبؤ في العالم الحقيقي بين أنواع مختلفة من المعلومات: السمات التي لا تتغير أبدًا (مثل موقع المتجر)، والقياسات التي لوحظت حتى الآن فقط (مثل المبيعات السابقة)، والمدخلات المعروفة مسبقًا للمستقبل (مثل العطلات أو الترقيات المخطط لها). يتعلم TFT أي من هذه المدخلات مهم بالفعل، ويركز الانتباه على الخطوات الزمنية الماضية الأكثر صلة، ولا يخرج رقمًا واحدًا بل نطاقًا من الكميات - بحيث ترى كلاً من التنبؤ وعدم اليقين الخاص به.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
خريطة المناهج
محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.
المصادر
- Lim, B., Arık, S. Ö., Loeff, N. & Pfister, T. (2021). Temporal Fusion Transformers for Interpretable Multi-Horizon Time Series Forecasting. International Journal of Forecasting, 37(4), 1748–1764. DOI: 10.1016/j.ijforecast.2021.03.012 ↗
- Lim, B. & Zohren, S. (2021). Time-Series Forecasting with Deep Learning: A Survey. Philosophical Transactions of the Royal Society A, 379(2194), 20200209. DOI: 10.1098/rsta.2020.0209 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/ar/deep-learning/temporal-fusion-transformer
أيُّ منهج؟
ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.
- نموذج ARIMA (الانحدار الذاتي المتكامل للمتوسط المتحرك)الاقتصاد القياسي↔ قارن
- DeepARالتعلم العميق↔ قارن
- المُخبِر (Informer)التعلم العميق↔ قارن
- N-HiTSالتعلم العميق↔ قارن
- PatchTSTالتعلم العميق↔ قارن
- الغابات العشوائيةتعلم الآلة↔ قارن