TimeMixer: Hajotettava moniskaalainen sekoitus aikasarjaennustamiseen
TimeMixer on hajotukseen perustuva, ilman huomiomekanismeja toimiva aikasarjaennustusarkkitehtuuri, jonka Wang et al. esittelivät ICLR 2024 -konferenssissa. Keskeinen ajatus on erottaa kausiluonteiset ja trendikomponentit eri aikaskaaloissa, jotka muodostetaan keskiarvoistamalla, ja sitten sekoittaa tietoa näiden skaalojen välillä kevyillä MLP-lohkoilla. Käsittelemällä karkeita (trendipainotteisia) ja hienoja (kausiluonteisuuspainotteisia) resoluutioita erikseen ja yhdistämällä niiden ennusteet, TimeMixer välttää huomiomekanismien neliöllisen laskentakustannuksen samalla kun se tavoittaa sekä paikalliset että globaalit ajalliset kuviot.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/fi/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: Hajotelmaan perustuva lineaarinen malli aikasarjaennustukseenSyväoppiminen↔ compare
- TimesNet: Ajallinen 2D-vaihtelun mallintaminen aikasarjoissaSyväoppiminen↔ compare
- TSMixer: täysin MLP-arkkitehtuuri aikasarjaennustamiseenSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →