เปรียบเทียบวิธี

	TimeMixer: การผสมผสานหลายมาตราส่วนที่แยกส่วนได้สำหรับการพยากรณ์อนุกรมเวลา	DLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2024	2023
ผู้ริเริ่ม	Shiyu Wang et al.	Ailing Zeng et al.
ประเภท	MLP-based multiscale time-series forecasting model	Decomposition-based linear forecasting model
แหล่งต้นตำรับ	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.	Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Are transformers effective for time series forecasting? AAAI.
ชื่อเรียกอื่น	Decomposable Multiscale Mixing, Multiscale Time-Series Mixer, TimeMixer Model, Çok Ölçekli Zaman Serisi Karıştırıcı	Decomposition Linear, DLinear Forecaster, Linear Decomposition Model, Ayrışım Doğrusal Modeli
ที่เกี่ยวข้อง	3	3
สรุป	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.	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.