Temporal Fusion Transformer
Der Temporal Fusion Transformer (TFT), 2021 von Lim, Arık, Loeff und Pfister eingeführt, ist eine interpretierbare Deep-Learning-Architektur für die Prognose von Zeitreihen über mehrere Horizonte. Er kombiniert Variablenselektion, Gating, Multi-Horizon-Attention und Quantilausgaben, indem er statische, vergangene und bekannte zukünftige Eingaben gemeinsam verarbeitet, um Mehrschrittprognosen zu erstellen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/de/deep-learning/temporal-fusion-transformer
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.
- ARIMA-Modell (Autoregressive Integrated Moving Average)Ökonometrie↔ compare
- DeepARDeep Learning↔ compare
- InformerDeep Learning↔ compare
- N-HiTSDeep Learning↔ compare
- PatchTSTDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →