TimeMixer: Sadalāma daudzmērogu sajaukšana laika sēriju prognozēšanai
TimeMixer ir uz sadalīšanu balstīta, bez uzmanības laika sēriju prognozēšanas arhitektūra, ko 2024. gadā ICLR konferencē iepazīstināja Vangs et al. Tās galvenā ideja ir atšķetināt sezonālās un tendenču komponentes vairākos laika skalos, kas veidoti ar vidējās apkopošanas palīdzību, pēc tam sajaukt informāciju starp šiem skalojumiem, izmantojot vieglus MLP blokus. Apstrādājot atsevišķi rupjus (dominējošos tendenču) un smalkus (dominējošos sezonālos) izšķirtspējas, un apvienojot to prognozes, TimeMixer izvairās no uzmanības kvadrātiskajām izmaksām, vienlaikus uztverot gan lokālos, gan globālos laika modeļus.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/lv/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: Dekompozīcijas lineārais modelis laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
- TimesNet: La laika datu 2D-variāciju modelēšanaDziļā mācīšanās↔ compare
- TSMixer: Visu MLP arhitektūra laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →