Temporal Fusion Transformer
El Temporal Fusion Transformer (TFT), introducido por Lim, Arık, Loeff y Pfister en 2021, es una arquitectura de aprendizaje profundo interpretable para la previsión de series temporales multihazonte. Combina selección de variables, compuertas (gating), atención multihazonte y salidas de cuantiles, procesando conjuntamente entradas estáticas, pasadas y conocidas del futuro para producir pronósticos multi-paso.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/es/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometría↔ compare
- DeepARAprendizaje profundo↔ compare
- InformerAprendizaje profundo↔ compare
- N-HiTSAprendizaje profundo↔ compare
- PatchTSTAprendizaje profundo↔ compare
- Random ForestAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →