Temporal Fusion Transformer
Temporal Fusion Transformer (TFT) ir interpretējama dziļās mācīšanās arhitektūra daudzkārtēju prognožu laika rindām, ko 2021. gadā ieviesa Lim, Arık, Loeff un Pfister. Tā apvieno mainīgo atlasi, vārtejas mehānismus, daudzkārtēju uzmanību un kvantiļu izvadi, vienlaicīgi apstrādājot statiskus, pagātnes un zināmus nākotnes ievades datus, lai radītu daudzkārtējas prognozes.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/lv/deep-learning/temporal-fusion-transformer
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- ARIMA (autoregresīvais integrētais slīdošā vidējā) modelisEkonometrija↔ salīdzināt
- DeepARDziļā mācīšanās↔ salīdzināt
- InformerDziļā mācīšanās↔ salīdzināt
- N-HiTSDziļā mācīšanās↔ salīdzināt
- PatchTSTDziļā mācīšanās↔ salīdzināt
- Random ForestMašīnmācīšanās↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →