O Transformador de Fusão Temporal
A previsão no mundo real mistura vários tipos de informação: atributos que nunca mudam (como a localização de uma loja), medições observadas apenas até agora (como vendas passadas) e entradas conhecidas com antecedência para o futuro (como feriados ou promoções planejadas). O TFT aprende quais dessas entradas realmente importam, foca a atenção nos passos de tempo passados mais relevantes e produz não um único número, mas uma faixa de quantis — assim, você vê tanto a previsão quanto sua incerteza.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/pt/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- DeepARAprendizado profundo↔ compare
- InformerAprendizado profundo↔ compare
- N-HiTSAprendizado profundo↔ compare
- PatchTSTAprendizado profundo↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →