Temporal Fusion Transformer
Il Temporal Fusion Transformer (TFT), introdotto da Lim, Arık, Loeff e Pfister nel 2021, è un'architettura di deep learning interpretabile per la previsione di serie temporali multi-orizzonte. Combina selezione delle variabili, gating, attenzione multi-orizzonte e output quantilici, elaborando input statici, passati e noti-futuri insieme per produrre previsioni multi-step.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/it/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.
- Modello ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- DeepARApprendimento profondo↔ compare
- InformerApprendimento profondo↔ compare
- N-HiTSApprendimento profondo↔ compare
- PatchTSTApprendimento profondo↔ compare
- Random ForestApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →