TimeMixer: ترکیبی چندمقیاسی تجزیهپذیر برای پیشبینی سریهای زمانی
TimeMixer معماری پیشبینی سری زمانی مبتنی بر تجزیه و بدون توجه (attention-free) است که توسط وانگ و همکاران در ICLR 2024 معرفی شد. ایده اصلی، تفکیک مولفههای فصلی و روند در مقیاسهای زمانی متعدد ساخته شده توسط میانگینگیری تجمعی (average pooling) است، سپس اطلاعات را با استفاده از بلوکهای سبک MLP در میان این مقیاسها ترکیب میکند. با پردازش جداگانه رزولوشنهای درشت (غالباً روند) و ریز (غالباً فصلی) و ترکیب پیشبینیهای آنها، TimeMixer از هزینه درجه دوم توجه اجتناب کرده و در عین حال الگوهای زمانی محلی و سراسری را ثبت میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/fa/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.
- مدل خطی تجزیهپذیر برای پیشبینی سریهای زمانی (DLinear)یادگیری عمیق↔ compare
- TimesNet: مدلسازی تغییرات دوبعدی زمانی برای سریهای زمانییادگیری عمیق↔ compare
- TSMixer: معماری تمام MLP برای پیشبینی سری زمانییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →