Temporal Fusion Transformer
Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting · Ayrıca şöyle bilinir: Temporal Fusion Transformer (TFT), TFT, interpretable multi-horizon forecasting transformer
Lim, Arık, Loeff ve Pfister tarafından 2021'de tanıtılan Temporal Fusion Transformer (TFT), çok ufuklu zaman serisi tahmini için yorumlanabilir bir derin öğrenme mimarisidir. Değişken seçimi, "gating" mekanizması, çok ufuklu dikkat mekanizması ve kantil çıktılarını birleştirerek, statik, geçmiş ve bilinen-gelecek girdileri birlikte işleyerek çok adımlı tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TFT'yi, iyi tanımlanmış tarihsel ve bilinen-gelecek kovaryatlarınız ve yeterli eğitim veriniz olduğunda (en az yaklaşık 200 gözlem, GPU önerilir) zaman serileri veya panel verileri üzerinde çok adımlı tahmin için kullanın. Varsayım açısından hafiftir (normallik gereksinimi yoktur) ve sürekli ve kategorik girdileri birlikte ele alır. Yaklaşık 500 gözlemin altında değişken seçimi ve dikkat mekanizması güvenilmez hale gelir; çok kısa serilerde (~100'ün altında) Transformer tabanlı bir model anlamlı değildir ve ARIMA gibi klasik yöntemler daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Statik, gözlemlenen-geçmiş ve bilinen-gelecek kovaryatları tek bir modelde birlikte ele alır.
- Yorumlanabilir çıktılar üretir: değişken seçim ağırlıkları ve dikkat örüntüleri incelenebilir.
- Kantil çıktıları, sadece nokta tahminleri değil, tahmin aralıkları sunar.
- Birçok ileri adımda yerel çok ufuklu tahmin.
- Varsayım açısından hafif: normallik gereksinimi yok, karma sürekli ve kategorik özellikleri destekler.
- Önemli miktarda eğitim verisi gerektirir; değişken seçimi ve dikkat mekanizması yaklaşık 500 gözlemin altında güvenilmezdir.
- Çok kısa serilerde (~100'ün altında) Transformer tabanlı bir tahmin anlamsızdır — bunun yerine ARIMA kullanın.
- Bir GPU önerilir, bu da klasik tahmin yöntemlerine göre hesaplama gereksinimlerini artırır.
- Tarihsel ve gelecekteki kovaryatların açıkça tanımlanmasını ve sağlanmasını gerektirir.
SSS
TFT ne kadar veriye ihtiyaç duyar?
Yöntem en az yaklaşık 200 gözlem için ayarlanmıştır, ancak değişken seçimi ve dikkat mekanizması yalnızca daha fazla veriyle güvenilir bir şekilde çalışır — yaklaşık 500 gözlemin altında model kararsız hale gelir ve yaklaşık 100'ün altında Transformer tabanlı bir tahmin anlamlı değildir.
TFT'yi yorumlanabilir kılan nedir?
Değişken seçim ağları, her bir girdinin ne kadar katkıda bulunduğunu ortaya koyar ve çoklu-baş dikkat mekanizması, modelin hangi geçmiş zaman adımlarına dayandığını ortaya koyar, böylece bir tahmini saf bir kara kutu olarak ele almak yerine etkenlerini inceleyebilirsiniz.
Geçmiş ve gelecek kovaryatlar arasındaki fark nedir?
Geçmiş (gözlemlenen) kovaryatlar yalnızca bugüne kadar bilinirken, bilinen-gelecek kovaryatlar — tatiller veya planlanmış olaylar gibi — önceden mevcuttur. TFT bunları statik kovaryatların yanı sıra ayrı akışlar olarak işler.
GPU'ya ihtiyacım var mı?
Bir GPU önerilir. Mimari hesaplama açısından ağırdır, bu nedenle CPU'da eğitim, gerçekçi seriler için pratik olmayacak kadar yavaş olabilir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/tr/deep-learning/temporal-fusion-transformer
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- DeepARDerin öğrenme↔ karşılaştır
- BilgilendiriciDerin öğrenme↔ karşılaştır
- N-HiTSDerin öğrenme↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır