TimeMixer: Декомпозируемое многомасштабное смешивание для прогнозирования временных рядов
TimeMixer — это архитектура для прогнозирования временных рядов на основе декомпозиции и без механизма внимания, представленная Вангом и др. на конференции ICLR 2024. Основная идея заключается в разделении сезонных и трендовых компонент на различных временных масштабах, построенных с помощью усредняющего пулинга, а затем смешивании информации между этими масштабами с использованием легковесных блоков MLP. Обрабатывая грубые (преобладающие трендом) и тонкие (преобладающие сезонностью) разрешения отдельно и объединяя их прогнозы, TimeMixer избегает квадратичной стоимости внимания, одновременно улавливая как локальные, так и глобальные временные закономерности.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/ru/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.
- DLinearГлубокое обучение↔ compare
- TimesNet: Моделирование временных двумерных вариаций для временных рядовГлубокое обучение↔ compare
- TSMixerГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →