TimeMixer: Deformerbar multiskalig blandning för tidsserieprognoser
TimeMixer är en dekompositionsbaserad, uppmärksamhetsfri tidsserieprognosarkitektur introducerad av Wang et al. vid ICLR 2024. Huvudidén är att separera säsongs- och trendkomponenter över flera temporala skalor konstruerade genom medelvärdesbildning, för att sedan blanda information över dessa skalor med hjälp av lätta MLP-block. Genom att hantera grova (trenddominerande) och fina (säsongsdominerande) upplösningar separat och kombinera deras prognoser, undviker TimeMixer den kvadratiska kostnaden för uppmärksamhet samtidigt som både lokala och globala temporala mönster fångas.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/sv/deep-learning/timemixer
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- DLinear: Decomposition Linear Model för tidsserieprognoserDjupinlärning↔ jämför
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDjupinlärning↔ jämför
- TSMixer: All-MLP-arkitektur för tidsserieprognoserDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →