Temporal Fusion Transformer
The Temporal Fusion Transformer (TFT), introduced by Lim, Arık, Loeff and Pfister in 2021, is an interpretable deep learning architecture for multi-horizon time series forecasting. It combines variable selection, gating, multi-horizon attention and quantile outputs, processing static, past and known-future inputs together to produce multi-step forecasts.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.