เปรียบเทียบวิธี

	DLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลา	TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2023
ผู้ริเริ่ม	Ailing Zeng et al.	Haixu Wu et al.
ประเภท	Decomposition-based linear forecasting model	2D convolutional time-series model
แหล่งต้นตำรับ	Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI.	Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet: Temporal 2D-variation modeling for general time series analysis. ICLR.
ชื่อเรียกอื่น	Decomposition Linear, DLinear Forecaster, Linear Decomposition Model, Ayrışım Doğrusal Modeli	Temporal 2D-Variation Network, TimesNet Model, 2D Time-Series Network, Zamansal 2B Varyasyon Ağı
ที่เกี่ยวข้อง	3	2
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.	TimesNet is a general-purpose time-series model introduced by Wu et al. at ICLR 2023. Its central idea is that univariate or multivariate time series can be reinterpreted as collections of two-dimensional temporal maps by reshaping the 1D signal according to its dominant periodicities, detected via Fast Fourier Transform. This 1D-to-2D transformation exposes both intraperiod patterns (within one cycle) and interperiod trends (across cycles), enabling powerful 2D convolutional architectures to model temporal variation.