TimeMixer: Decomposable Multiscale Mixing per le Previsioni di Serie Storiche
TimeMixer è un'architettura per la previsione di serie storiche basata sulla decomposizione e priva di attenzione, introdotta da Wang et al. all'ICLR 2024. L'idea centrale è quella di separare le componenti stagionali e di trend su scale temporali multiple costruite tramite average pooling, per poi mescolare le informazioni tra queste scale utilizzando blocchi MLP leggeri. Gestendo separatamente risoluzioni grossolane (dominanti per il trend) e fini (dominanti per la stagionalità) e combinando le loro previsioni, TimeMixer evita il costo quadratico dell'attenzione catturando pattern temporali sia locali che globali.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/it/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: Modello Lineare a Decomposizione per la Previsione di Serie StoricheApprendimento profondo↔ compare
- TimesNet: Modellazione della Variazione Temporale 2D per Serie StoricheApprendimento profondo↔ compare
- TSMixer: Architettura interamente MLP per la previsione di serie temporaliApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →