Temporal Fusion Transformer
Temporal Fusion Transformer (TFT), представен от Lim, Arık, Loeff и Pfister през 2021 г., е интерпретируема архитектура за дълбоко обучение за прогнозиране на времеви редове с множество хоризонти. Той комбинира селекция на променливи, гейтинг, внимание с множество хоризонти и квантилни изходи, обработвайки заедно статични, минали и известни бъдещи входни данни за генериране на прогнози с множество стъпки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/bg/deep-learning/temporal-fusion-transformer
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Модел ARIMA (Autoregressive Integrated Moving Average)Иконометрия↔ сравняване
- DeepARДълбоко обучение↔ сравняване
- InformerДълбоко обучение↔ сравняване
- N-HiTSДълбоко обучение↔ сравняване
- PatchTSTДълбоко обучение↔ сравняване
- Случайна гораМашинно обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →