TimeMixer: Decomposeerbare Multiscale Vermenging voor Tijdreeksvoorspelling
TimeMixer is een op decompositie gebaseerde, aandachtsvrije tijdreeksvoorspellingsarchitectuur geïntroduceerd door Wang et al. op ICLR 2024. Het centrale idee is om seizoensgebonden en trendcomponenten te ontwarren over meerdere temporele schalen, geconstrueerd door gemiddelde pooling, en vervolgens informatie over die schalen te vermengen met behulp van lichtgewicht MLP-blokken. Door grove (trend-dominante) en fijne (seizoensgebonden-dominante) resoluties afzonderlijk te behandelen en hun voorspellingen te combineren, vermijdt TimeMixer de kwadratische kosten van aandacht, terwijl zowel lokale als globale temporele patronen worden vastgelegd.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/nl/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: Decomposition Linear Model voor TijdreeksvoorspellingDeep learning↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDeep learning↔ compare
- TSMixer: Volledig MLP-architectuur voor tijdreeksvoorspellingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →