Temporal Fusion Transformer
Temporal Fusion Transformer (TFT), wprowadzony przez Lim, Arık, Loeff i Pfister w 2021 roku, jest interpretowalną architekturą głębokiego uczenia do prognozowania szeregów czasowych na wiele horyzontów. Łączy selekcję zmiennych, bramkowanie, mechanizm uwagi wielohoryzontowej i wyjścia kwantylowe, przetwarzając wspólnie dane statyczne, przeszłe i znane przyszłe, aby wygenerować prognozy wielokrokowe.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/pl/deep-learning/temporal-fusion-transformer
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometria↔ porównaj
- DeepARUczenie głębokie↔ porównaj
- InformerUczenie głębokie↔ porównaj
- N-HiTSUczenie głębokie↔ porównaj
- PatchTSTUczenie głębokie↔ porównaj
- Random ForestUczenie maszynowe↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →