TimeMixer: การผสมผสานหลายมาตราส่วนที่แยกส่วนได้สำหรับการพยากรณ์อนุกรมเวลา
TimeMixer เป็นสถาปัตยกรรมการพยากรณ์อนุกรมเวลาที่ใช้การแยกส่วนประกอบและปราศจากกลไกความสนใจ (attention-free) ซึ่งนำเสนอโดย Wang และคณะ ในงาน ICLR 2024 แนวคิดหลักคือการแยกส่วนประกอบตามฤดูกาลและแนวโน้มออกจากกันในหลายมาตราส่วนเวลาที่สร้างขึ้นโดยการหาค่าเฉลี่ยแบบพูลลิ่ง (average pooling) จากนั้นจึงผสมผสานข้อมูลข้ามมาตราส่วนเหล่านั้นโดยใช้บล็อก MLP (Multilayer Perceptron) ที่มีน้ำหนักเบา ด้วยการจัดการความละเอียดหยาบ (ที่เน้นแนวโน้ม) และความละเอียดละเอียด (ที่เน้นฤดูกาล) แยกกัน และนำผลการพยากรณ์มารวมกัน TimeMixer จึงหลีกเลี่ยงต้นทุนกำลังสองของกลไกความสนใจ ในขณะที่ยังคงสามารถจับรูปแบบเวลาทั้งในระดับท้องถิ่นและระดับโลกได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/th/deep-learning/timemixer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DLinear: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- TSMixer: สถาปัตยกรรมแบบ All-MLP สำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare