Временной трансформер слияния
Временной трансформер слияния (Temporal Fusion Transformer, TFT), представленный Лимом, Ариком, Лёффом и Пфистером в 2021 году, представляет собой интерпретируемую архитектуру глубокого обучения для многогоризонтного прогнозирования временных рядов. Он сочетает в себе отбор переменных, стробирование, многогоризонтное внимание и квантильные выходы, обрабатывая статические, прошлые и известные-будущие входные данные вместе для получения многошаговых прогнозов.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/ru/deep-learning/temporal-fusion-transformer
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Модель ARIMA (авторегрессионная интегрированная скользящая средняя)Эконометрика↔ сравнить
- DeepARГлубокое обучение↔ сравнить
- ИнформерГлубокое обучение↔ сравнить
- N-HiTSГлубокое обучение↔ сравнить
- PatchTSTГлубокое обучение↔ сравнить
- Случайный лесМашинное обучение↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →