TimeMixer: Mistura Multiescala Decomponível para Previsão de Séries Temporais
TimeMixer é uma arquitetura de previsão de séries temporais baseada em decomposição e livre de atenção, introduzida por Wang et al. na ICLR 2024. A ideia central é desvincular componentes sazonais e de tendência em múltiplas escalas temporais construídas por agregação média (average pooling), e então misturar informações entre essas escalas usando blocos MLP leves. Ao tratar resoluções grosseiras (dominadas por tendência) e finas (dominadas por sazonalidade) separadamente e combinar suas previsões, TimeMixer evita o custo quadrático da atenção, ao mesmo tempo que captura padrões temporais locais e globais.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/pt/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: Modelo Linear de Decomposição para Previsão de Séries TemporaisAprendizado profundo↔ compare
- TimesNet: Modelagem de Variação Temporal 2D para Séries TemporaisAprendizado profundo↔ compare
- TSMixer: Arquitetura Totalmente MLP para Previsão de Séries TemporaisAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →