เปรียบเทียบวิธี

	DLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลา	TimeMixer: การผสมผสานหลายมาตราส่วนที่แยกส่วนได้สำหรับการพยากรณ์อนุกรมเวลา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2024
ผู้ริเริ่ม	Ailing Zeng et al.	Shiyu Wang et al.
ประเภท	Decomposition-based linear forecasting model	MLP-based multiscale time-series forecasting model
แหล่งต้นตำรับ	Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI.	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.
ชื่อเรียกอื่น	Decomposition Linear, DLinear Forecaster, Linear Decomposition Model, Ayrışım Doğrusal Modeli	Decomposable Multiscale Mixing, Multiscale Time-Series Mixer, TimeMixer Model, Çok Ölçekli Zaman Serisi Karıştırıcı
ที่เกี่ยวข้อง	3	3
สรุป	DLinear is a lightweight time series forecasting model introduced by Zeng et al. at AAAI 2023. It challenges the prevailing assumption that Transformer-based architectures are necessary for accurate long-horizon forecasting. The model decomposes an input sequence into trend and seasonal components using a moving average filter, then applies separate single-layer linear transformations to each component before summing their outputs to produce the final forecast.	TimeMixer is a decomposition-based, attention-free time-series forecasting architecture introduced by Wang et al. at ICLR 2024. The central idea is to disentangle seasonal and trend components across multiple temporal scales constructed by average pooling, then mix information across those scales using lightweight MLP blocks. By handling coarse (trend-dominant) and fine (seasonal-dominant) resolutions separately and combining their predictions, TimeMixer avoids the quadratic cost of attention while capturing both local and global temporal patterns.