ตัวแปลงฟิวชั่นเชิงเวลา
Temporal Fusion Transformer (TFT) ซึ่งเปิดตัวโดย Lim, Arık, Loeff และ Pfister ในปี 2021 เป็นสถาปัตยกรรม deep learning ที่สามารถตีความได้สำหรับการพยากรณ์อนุกรมเวลาแบบหลายช่วงเวลา (multi-horizon time series forecasting) โดยเป็นการผสมผสานการเลือกตัวแปร (variable selection) การควบคุม (gating) การใส่ใจแบบหลายช่วงเวลา (multi-horizon attention) และผลลัพธ์ควอนไทล์ (quantile outputs) เพื่อประมวลผลข้อมูลคงที่ (static) ข้อมูลในอดีต (past) และข้อมูลที่ทราบในอนาคต (known-future) ร่วมกันในการสร้างการพยากรณ์แบบหลายขั้นตอน (multi-step forecasts).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/th/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.
- แบบจำลอง ARIMA (Autoregressive Integrated Moving Average)เศรษฐมิติ↔ compare
- DeepARการเรียนรู้เชิงลึก↔ compare
- Informerการเรียนรู้เชิงลึก↔ compare
- N-HiTSการเรียนรู้เชิงลึก↔ compare
- PatchTSTการเรียนรู้เชิงลึก↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare