时间序列分析 | Python实现Temporal Fusion Transformer 时间序列预测
基本介绍
Temporal Fusion Transformer(TFT)是一个基于注意力的深度神经网络,它优化了性能和可解释性,顶层架构如下图所示。
时间序列
-
专为单个时间序列(无论是多变量还是单变量)创建模型的情况现在已经很少见了。现在的时间序列研究方向都是多元的,并且具有各种分布,其中包含更多探索性因素包括:缺失数据、趋势、季节性、波动性、漂移和罕见事件等等。
-
通过直接预测目标变量往往是不够的,我们优势还希望系统能够产生预测区间,显示预测的不确定性程度。
-
并且除了历史数据外,所有的变量都应该考虑在内,这样可以建立一个在预测能力方面具有竞争力的模型。
-
所以现代时间序列模型应该考虑到以下几点:
模型应该考虑多个时间序列,理想情况下应该考虑数千个时间序列。
模型中应该使用单维或多维序列。
除了时态数据之外,模型还应该能够使用过去数据。这个限制影响了所有的自回归技术(ARIMA模型),包括亚马逊的DeepAR。 -
非时间的外部静态因素也应加以考虑。
-
模型需要具有高度的适应性。即使时间序列比较复杂或包含