Temporal Fusion Transformer
Temporal Fusion Transformer (TFT), som introducerades av Lim, Arık, Loeff och Pfister 2021, är en tolkningsbar djupinlärningsarkitektur för prognostisering av tidsserier med flera horisonter. Den kombinerar variabelselektion, gating, multi-horizon attention och kvantilutdata, och bearbetar statiska, tidigare och kända framtida indata tillsammans för att producera prognoser i flera steg.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/sv/deep-learning/temporal-fusion-transformer
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ jämför
- DeepARDjupinlärning↔ jämför
- InformerDjupinlärning↔ jämför
- N-HiTSDjupinlärning↔ jämför
- PatchTSTDjupinlärning↔ jämför
- Random ForestMaskininlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →