1. TFT 简介

Temporal Fusion Transformer（TFT）模型是一种专为时间序列预测设计的高级深度学习模型。它结合了神经网络的多种机制处理时间序列数据中的复杂关系。TFT 由 Lim et al. 于 2019年提出，旨在处理时间序列中的不确定性和多尺度的依赖关系。

TFT引入了多个新颖的理念，具体包括：

• 静态协变量编码器，为网络其他部分的使用对上下文向量进行编码
• 贯穿始终的门控机制和依赖样本的变量选择，以最小化无关输入的影响
• 一个序列到序列层，对已知和观测到的输入进行局部处理
• 一个时间自注意力解码器，用于学习数据集中存在的任何长期依赖关系

上述专门组件的使用有助于实现可解释性，帮助用户识别：预测问题中的全局重要的变量、持续的时间模式、重大事件

2. TFT 模型的优势

• 动态特征选择：TFT 动态地为每个时间步选择最重要的特征，这使得模型在处理高维输入和噪声数据时更具鲁棒性。
• 多尺度时间依赖：通过结合 LSTM 编码器/解码器和自注意力机制，TFT 能够捕获不同时间尺度上的依赖关系。
• 可解释性：相比于传统的黑箱模型，TFT 通过变量选择网络和注意力机制提供了一定程度的模型解释性，帮助理解模型的决策过程。
• 灵活性：TFT 可用于处理多种类型的时间序列数据，包括但不限于多变量、多步预测和带有缺失值的序列。

3. TFT的核心功能

1. 输入层和嵌入层：
   1. 输入层：处理不同类型的输入，包括时间序列输入（历史和未来）和静态输入（不随时间变化的特征）。
   2. 嵌入层（Embedding Layer）：对分类特征进行嵌入映射，使其转化为可供模型使用的连续特征表示。
2. ** Variable Selection Network（变量选择网络）**：
   1. 目的：动态选择最相关的输入特征。时间序列数据往往包含大量的特征，TFT 通过变量选择网络为每个时间步动态地选择最重要的特征。
   2. 实现：通过门控残差网络（GRN, Gated Residual Network）对每个输入特征单独处理，计算特征的重要性权重。
3. LSTM编码器/解码器：
   1. 目的：学习时间序列数据的顺序信息和长期依赖关系。
   2. 实现：使用双向长短期记忆网络（BiLSTM）进行编码，通过捕获前后信息来增强特征表达；解码器则采用单向LSTM来预测未来的时间步。
4. 自注意力机制（Self-Attention Mechanism）：
   1. 目的：捕获时间序列中的长期依赖和全局关系。
   2. 实现：引入多头自注意力机制（Multi-Head Self-Attention），使模型能够关注不同时间步之间的关系和模式，而不仅仅是局部的时间依赖性。
5. Gated Residual Network（门控残差网络）：
   1. 目的：通过残差连接学习复杂的特征关系，同时利用门控机制控制信息流动。
   2. 实现：GRN 包含了全连接层、非线性激活函数（如 smish）、门控机制（GLU）和层归一化等，可以学习更深层次的特征模式。
6. 解释性模块：
   1. 目的：TFT 还包含解释性模块，能够输出每个特征的重要性权重，以解释模型的预测决策。
   2. 实现：通过整合变量选择权重和自注意力权重，提供特征的时间依赖性解释和静态特征的重要性。

4. TFT的应用

TFT模型广泛应用于各种需要时间序列预测的领域，包括但不限于：

• 金融预测：如股票价格预测、风险管理等。
• 能源预测：如电力需求预测、能源生产调度等。
• 销售预测：预测产品销售量，库存管理等。
• 医疗健康：如病患监测和疾病进展预测。
  1. TFT 架构的优点：
     1. 能够使用丰富的特征：TFT 支持三种不同类型的特征，外生类别/静态特征、具有已知输入到未来的时态数据（仅到目前已知的时态数据）、具有未知输入的未来时态数据。
     2. 区间预测：TFT 使用分位数损失来产生除实际预测之外的预测区间
     3. 异构时间序列：允许训练具有不同分布的多个时间序列。TFT设计将处理分为两个部分：局部处理集中于特定事件的特征，而全局处理记录所有时间序列的一版特征
     4. 可解释性：TFT 的核心是基于 Transformer 的体系结构，该模型引入的多头注意力机制，在需要对模型进行解释时提供了关于特征重要性的额外知识。另外一个性能良好的 DNN 实现是 Mulit-Horizon Quantile Recurrent Forecaster (MQRNN)。但是它没有提供如何解释这些特征重要程度的指导
     5. 性能：在测试中，TFT 优于 DNN 的模型，如 DeepAR、MQRNN 和深度状态空间模型(Deep Space-state Models)以及传统统计模型（ARIMA、DSSM等）
     6. 与传统方法不同，TFT的多头注意力提供了特征可解释性。通过TFT的多头注意力天健一个新的矩阵或分组，允许不同的头共享一些权重，然后可以根据季节性分析来解释这些全红的含义

 5.代码地址及其讲解

https://space.bilibili.com/51422950?spm_id_from=333.1007.0.0