TimeMixer: Pencampuran Multiskala yang Terurai untuk Peramalan Deret Waktu
TimeMixer ialah seni bina peramalan deret waktu berasaskan penguraian tanpa perhatian yang diperkenalkan oleh Wang et al. di ICLR 2024. Idea utamanya adalah untuk memisahkan komponen bermusim dan trend merentasi pelbagai skala masa yang dibina melalui pengumpulan purata, kemudian mencampurkan maklumat merentasi skala tersebut menggunakan blok MLP yang ringan. Dengan mengendalikan resolusi kasar (dominan trend) dan halus (dominan bermusim) secara berasingan dan menggabungkan ramalan mereka, TimeMixer mengelakkan kos kuadratik perhatian sambil menangkap corak temporal tempatan dan global.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/ms/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 Terdekomposisi untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
- TimesNet: Pemodelan Variasi Temporal 2D untuk Siri MasaPembelajaran Mendalam↔ compare
- TSMixer: Seni Bina Semua-MLP untuk Ramalan Deret MasaPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →