TimeMixer: Dekomponowalne mieszanie wieloskalowe w prognozowaniu szeregów czasowych
TimeMixer to architektura do prognozowania szeregów czasowych oparta na dekompozycji, wolna od mechanizmów uwagi (attention-free), wprowadzona przez Wang i wsp. na konferencji ICLR 2024. Główna idea polega na rozdzieleniu komponentów sezonowych i trendowych na wielu skalach czasowych, konstruowanych za pomocą uśredniania (average pooling), a następnie mieszaniu informacji między tymi skalami przy użyciu lekkich bloków MLP. Poprzez oddzielne przetwarzanie widoków zgrubnych (zdominowanych przez trend) i dokładnych (zdominowanych przez sezonowość) oraz łączenie ich prognoz, TimeMixer unika kwadratowego kosztu uwagi, jednocześnie wychwytując lokalne i globalne wzorce czasowe.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/pl/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 dekompozycji liniowej do prognozowania szeregów czasowychUczenie głębokie↔ compare
- TimesNet: Modelowanie dwuwymiarowych wariacji czasowych dla szeregów czasowychUczenie głębokie↔ compare
- TSMixer: Architektura All-MLP do prognozowania szeregów czasowychUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →