เปรียบเทียบวิธี

	TimeMixer: การผสมผสานหลายมาตราส่วนที่แยกส่วนได้สำหรับการพยากรณ์อนุกรมเวลา	TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2024	2023
ผู้ริเริ่ม	Shiyu Wang et al.	Haixu Wu et al.
ประเภท	MLP-based multiscale time-series forecasting model	2D convolutional time-series 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.	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	Decomposable Multiscale Mixing, Multiscale Time-Series Mixer, TimeMixer Model, Çok Ölçekli Zaman Serisi Karıştırıcı	Temporal 2D-Variation Network, TimesNet Model, 2D Time-Series Network, Zamansal 2B Varyasyon Ağı
ที่เกี่ยวข้อง	3	2
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.	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.