小哨的博客

多水平预测通常包含复杂的输入组合——包括静态(即时不变)协变量、已知的未来输入和其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。已经提出了几种深度学习方法，但它们都是典型的“黑盒”模型，无法说明它们如何在实际场景中使用各种输入。在本文中，我们介绍了时间融合转换器(TFT)——一种新颖的基于注意力的架构，它将高性能的多水平预测与对时间动态的可解释见解相结合。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，使用可解释的自我注意层进行长期依赖。

时间序列预测任务PyTorch数据集类——TimeSeriesDataSet 类详解当进行时间序列预测或时间序列分析时，通常需要对数据进行预处理和转换以提高模型的效果和准确性。TimeSeriesDataSet 类是为这些目的而创建的 PyTorch 数据集类，提供了一些自动化的功能，使得预处理和转换变得更加方便和高效。该类可以用于多种时间序列预测任务，例如预测股票价格、交通流量、能源消耗等。

TFT实战

Temporal Fusion Transformer (TFT) 各模块功能和代码解析(pytorch)

Benchmarking Deep Learning Interpretability in Time Series Predictions

【nature论文精读】Impedance-based forecasting of lithium-ion battery performance amid uneven usage

【论文精读】Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting

时间序列可解释性论文精读 Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series Forecasting