TimeMixer: Dekomponerbar multiskala-miksing for tidsserieprognoser
TimeMixer er en dekomponeringsbasert, oppmerksomhetsfri arkitektur for tidsserieprognoser introdusert av Wang et al. ved ICLR 2024. Kjerneideen er å skille sesong- og trendkomponenter på tvers av flere temporale skalaer konstruert ved gjennomsnittspooling, for deretter å blande informasjon på tvers av disse skalaene ved hjelp av lette MLP-blokker. Ved å håndtere grove (trenddominerende) og fine (sesongdominerende) oppløsninger separat og kombinere deres prediksjoner, unngår TimeMixer den kvadratiske kostnaden ved oppmerksomhet, samtidig som den fanger opp både lokale og globale temporale mønstre.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/no/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: Dekomponerende lineær modell for tidsserieprognoserDyp læring↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDyp læring↔ compare
- TSMixer: All-MLP-arkitektur for tidsserieprognoserDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →