Metodes pierādījumu reģistrs
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.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting
Taksonomiskās metodes reģistrs · ml-model / deep-learning
- 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
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Vēl nav kurētu apgalvojumu
Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.
Saistītās metodes
Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.