TimeMixer: Nedbrydelig multiskala-blanding til tidsserieprognoser
TimeMixer er en dekompositionsbaseret, opmærksomhedsfri tidsserieprognosearkitektur introduceret af Wang et al. ved ICLR 2024. Den centrale idé er at adskille sæsonbestemte og trendkomponenter på tværs af flere tidsmæssige skalaer konstrueret ved hjælp af gennemsnitspooling, og derefter blande information på tværs af disse skalaer ved hjælp af lette MLP-blokke. Ved at håndtere grove (trend-dominante) og fine (sæsonbestemte-dominante) opløsninger separat og kombinere deres forudsigelser, undgår TimeMixer den kvadratiske omkostning ved opmærksomhed, mens den fanger både lokale og globale tidsmæssige mønstre.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/da/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: Decomposition Linear Model for Time Series ForecastingDyb læring↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDyb læring↔ compare
- TSMixer: All-MLP Arkitektur til TidsserieprognoserDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →