TimeMixer: Zerlegbare multiskalare Mischung für Zeitreihenprognosen
TimeMixer ist eine dekompositionsbasierte, aufmerksamkeitsfreie Zeitreihenprognosearchitektur, die von Wang et al. auf der ICLR 2024 vorgestellt wurde. Die zentrale Idee ist, saisonale und Trendkomponenten über mehrere zeitliche Skalen hinweg zu entkoppeln, die mittels Durchschnittspooling konstruiert werden, und dann Informationen über diese Skalen hinweg mit Hilfe von leichten MLP-Blöcken zu mischen. Durch die getrennte Behandlung von groben (trenddominierten) und feinen (saisondominierten) Auflösungen und die Kombination ihrer Vorhersagen vermeidet TimeMixer die quadratischen Kosten der Aufmerksamkeit, während sowohl lokale als auch globale zeitliche Muster erfasst werden.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/de/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 für ZeitreihenprognosenDeep Learning↔ compare
- TimesNet: Temporale 2D-Varianzmodellierung für ZeitreihenDeep Learning↔ compare
- TSMixer: Eine reine MLP-Architektur für ZeitreihenprognosenDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →