TimeMixer: Pencampuran Multiskala yang Dapat Diuraikan untuk Peramalan Deret Waktu
TimeMixer adalah arsitektur peramalan deret waktu berbasis dekomposisi tanpa perhatian yang diperkenalkan oleh Wang et al. di ICLR 2024. Ide utamanya adalah memisahkan komponen musiman dan tren di berbagai skala temporal yang dibangun melalui *average pooling*, kemudian mencampur informasi di seluruh skala tersebut menggunakan blok MLP yang ringan. Dengan menangani resolusi kasar (dominan tren) dan halus (dominan musiman) secara terpisah dan menggabungkan prediksi mereka, TimeMixer menghindari biaya kuadratik dari perhatian (*attention*) sambil menangkap pola temporal lokal dan global.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/id/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: Model Linear Dekomposisi untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
- TimesNet: Pemodelan Variasi Temporal 2D untuk Deret WaktuPembelajaran Mendalam↔ compare
- TSMixer: Arsitektur All-MLP untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →