Machine learning

Temporal Fusion Transformer

Temporal Fusion Transformer (TFT) 是 Lim、Arık、Loeff 和 Pfister 于 2021 年提出的一种可解释的深度学习架构，用于多步时间序列预测。它结合了变量选择、门控、多步注意力机制和分位数输出，同时处理静态、过去和已知未来输入，以生成多步预测。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

Temporal Fusion Transformer

ARIMA（自回归积分滑动平均）模型 DeepAR Informer N-HiTS PatchTST 随机森林 N-BEATS

来源

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 ↗

如何引用本页

ScholarGate. (2026, June 1). Temporal Fusion Transformer for Interpretable Multi-Horizon Time Series Forecasting. ScholarGate. https://scholargate.app/zh/deep-learning/temporal-fusion-transformer

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

被引用于

N-BEATS

发现本页有问题？报告或提出修改建议 →