多因素transformer时间序列预测

多因素Transformer（Temporal Fusion Transformer，简称TFT）是一种用于时间序列预测的模型，它具有以下特点：

1. 能够利用丰富的特征：TFT支持三种不同类型的特征。第一种是外生类别/静态变量，也称为时不变特征，它们与时间无关。第二种是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。第三种是具有未知输入的未来时态数据。

2. 可以进行区间预测：TFT使用分位数损失函数来生成除了实际预测之外的预测区间。这意味着TFT可以给出一个预测区间，而不仅仅是单个点预测。

3. 支持异构时间序列：TFT允许训练具有不同分布的多个时间序列。模型的设计将处理分为两个部分：局部处理和全局处理。局部处理聚焦于特定事件的特征，而全局处理记录了所有时间序列的一般特征。

4. 具有可解释性：TFT的核心是基于Transformer的架构。该模型引入了多头注意力机制，使得在需要解释模型时可以提供关于特征重要性的额外信息。这让我们能够了解哪些特征对于预测的重要程度。

除了TFT，还有其他性能良好的DNN模型，如Multi-Horizon Quantile Recurrent Forecaster（MQRNN）。然而，MQRNN没有提供关于特征重要程度的指导，而TFT则可以提供这方面的解释。

所以，多因素Transformer（TFT）是一种能够处理多个特征和异构时间序列的模型，具有可解释性和区间预测能力的时间序列预测方法。