Temporal Fusion Transformer
De Temporal Fusion Transformer (TFT), geïntroduceerd door Lim, Arık, Loeff en Pfister in 2021, is een interpreteerbare deep learning-architectuur voor multi-horizon tijdreeksvoorspelling. Het combineert variabele selectie, gating, multi-horizon aandacht en kwantieluitvoer, waarbij statische, historische en bekende-toekomstige invoer gezamenlijk worden verwerkt om meerstapsvoorspellingen te produceren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/nl/deep-learning/temporal-fusion-transformer
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- ARIMA (Autoregressive Integrated Moving Average) ModelEconometrie↔ vergelijken
- DeepARDeep learning↔ vergelijken
- InformerDeep learning↔ vergelijken
- N-HiTSDeep learning↔ vergelijken
- PatchTSTDeep learning↔ vergelijken
- Random ForestMachine learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →