TimeMixer : mélange décomposable multi-échelle pour la prévision de séries temporelles
TimeMixer est une architecture de prévision de séries temporelles basée sur la décomposition et sans attention, introduite par Wang et al. à l'ICLR 2024. L'idée centrale est de dissocier les composantes saisonnières et de tendance à travers plusieurs échelles temporelles construites par moyennage, puis de mélanger les informations entre ces échelles à l'aide de blocs MLP légers. En traitant séparément les résolutions grossières (dominantes en tendance) et fines (dominantes en saisonnalité) et en combinant leurs prédictions, TimeMixer évite le coût quadratique de l'attention tout en capturant les motifs temporels locaux et globaux.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/fr/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.
- DLinearApprentissage profond↔ compare
- TimesNetApprentissage profond↔ compare
- TSMixer : une architecture tout MLP pour la prévision de séries temporellesApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →