典型文献
基于时域融合Transformers的可解释预测模型及其应用研究
文献摘要：
为提高时间序列模型预测的准确性及可解释能力,提出了变分模态分解(variational mode decom-position,VMD)和时域融合变换器(temporal fusion transformers,TFT)相结合的高效可解释预测模型,通过VMD将原始数据分解为多个模态,充分挖掘原始数据特征,将分解结果输入到TFT预测模型中,得出可解释性的预测结果.TFT是一种新的基于注意力的深度学习模型,将高性能的多水平预测和对时间动态的可解释见解结合在一起.以白卡纸价格为研究对象,证明了所设计模型的有效性.TFT的可解释输出包括分解的白卡纸价格子序列的重要性排序,所提出的白卡纸的可解释预测方法可为从业者的相关决策提供有力的支撑.
文献关键词：
时间序列预测;可解释神经网络;时域融合Transformers;白卡纸价格;变分模态分解;深度学习
中图分类号：
作者姓名：
陈孝文;苏攀;李夏青;张俊;王林
作者机构：
湖北中烟工业有限责任公司,湖北 武汉 430040;湖北省社会科学院经济研究所,湖北 武汉 430077;华中科技大学 管理学院,湖北 武汉430074
文献出处：
引用格式：
[1]陈孝文;苏攀;李夏青;张俊;王林-.基于时域融合Transformers的可解释预测模型及其应用研究)[J].武汉理工大学学报（信息与管理工程版）,2022(02):307-313
A类：
可解释神经网络
B类：
Transformers,时间序列模型,变分模态分解,variational,mode,decom,position,VMD,变换器,temporal,fusion,transformers,TFT,原始数据,数据分解,数据特征,解结,可解释性,深度学习模型,时间动态,合在一起,白卡纸价格,设计模型,格子,子序列,重要性排序,时间序列预测
AB值：
0.30253
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
