Skill: Temporal Fusion Transformer (TFT)
Skill-Temporal-Fusion-Transformer · 03-时间序列
experimentforecastingfraud_detection供应链与补货WF-A 智能补货WF-H 复购增长
实现难度⭐⭐⭐⭐☆
业务优先级⭐⭐⭐⭐⭐
业务视角
适用角色供应链负责人 / 采购负责人 · 运营负责人 · 财务负责人
适用平台Amazon FBA · 海外仓 · 多市场多仓
什么情况下用大促前备货总是不是多了就是少了；新品上线第一个月断货，再补又积压；年底预算不知道各月目标怎么定
成功是什么样的提前 4-8 周准确预判各 SKU 需求峰值，库存积压减少 30%，断货率降低 50%
业务痛点
1. 解决的问题
核心思想：TFT 是一种专为多水平时间序列预测设计的深度学习架构，能够同时处理静态特征（如产品类别）、时变已知特征（如节假日）和时变未知特征（如历史销量），并提供可解释的预测结果。
2. 核心算法逻辑
核心思想：TFT 是一种专为多水平时间序列预测设计的深度学习架构，能够同时处理静态特征（如产品类别）、时变已知特征（如节假日）和时变未知特征（如历史销量），并提供可解释的预测结果。
3. 业务应用场景
业务问题：预测数百个 SKU 未来 7-30 天销量，考虑节假日、促销和季节性
数据要求： | 类型 | 字段 | 说明 | |-----|------|------| | 静态 | 品类、品牌、国家 | 产品属性 | | 时变已知 | 节假日、促销计划 | 未来已知 | | 时变未知 | 历史销量、浏览量 | 仅历史观测 |
预期产出： - 未来 7/14/30 天销量预测（P50 中位数） - 预测区间（P10-P90）用于安全库存 - 变量重要性排名 - 注意力热力图
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
未自动抽取；请查看原始 Skill 卡片。
7. 代码模板
代码块数量：1 · 路径：未检测到
cd paper2skills-code/time_series/tft
python tft_model.py8. 论文来源
未自动抽取；请查看原始 Skill 卡片。