TimeMixer: Mescla Multiescala Decomposable per a la Predicció de Sèries Temporals
TimeMixer és una arquitectura de predicció de sèries temporals basada en la descomposició i lliure d'atenció, introduïda per Wang et al. a ICLR 2024. La idea central és separar els components estacionals i de tendència a través de múltiples escales temporals construïdes mitjançant average pooling, i després mesclar informació entre aquestes escales utilitzant blocs MLP lleugers. En gestionar les resolucions gruixudes (dominants en tendència) i fines (dominants en estacionalitat) per separat i combinant les seves prediccions, TimeMixer evita el cost quadràtic de l'atenció mentre captura patrons temporals tant locals com globals.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Wang, S., Wu, H., Shi, X., Hu, T., Luo, H., Ma, L., Zhang, J. Y., & Zhou, J. (2024). TimeMixer: Decomposable multiscale mixing for time series forecasting. ICLR. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/ca/deep-learning/timemixer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DLinear: Model Lineal de Descomposició per a la Predicció de Sèries TemporalsAprenentatge profund↔ compare
- TimesNet: Modelatge de Variacions Temporals 2D per a Sèries TemporalsAprenentatge profund↔ compare
- TSMixer: Arquitectura Totalment MLP per a la Predicció de Sèries TemporalsAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →