ترنسفورمر ادغامی زمانی
ترنسفورمر ادغامی زمانی (TFT)، که توسط لیم، آریک، لوف و پیفستر در سال ۲۰۲۱ معرفی شد، یک معماری یادگیری عمیق قابل تفسیر برای پیشبینی سریهای زمانی با افق چندگانه است. این معماری انتخاب متغیر، گیتینگ، توجه چند افقی و خروجیهای کوانتیل را ترکیب میکند و ورودیهای ایستا، گذشته و آینده شناختهشده را با هم پردازش میکند تا پیشبینیهای چند مرحلهای تولید کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/fa/deep-learning/temporal-fusion-transformer
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ مقایسه
- DeepARیادگیری عمیق↔ مقایسه
- Informerیادگیری عمیق↔ مقایسه
- N-HiTSیادگیری عمیق↔ مقایسه
- پچتیاستییادگیری عمیق↔ مقایسه
- جنگل تصادفییادگیری ماشین↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →