TSMixer: สถาปัตยกรรมแบบ All-MLP สำหรับการพยากรณ์อนุกรมเวลา
TSMixer เป็นแบบจำลองการพยากรณ์อนุกรมเวลาแบบหลายตัวแปร (multivariate time-series forecasting model) ที่นำเสนอโดย Si-An Chen และคณะจาก Google ในปี 2023 แบบจำลองนี้ท้าทายอิทธิพลที่ครอบงำของสถาปัตยกรรมที่ใช้ Transformer โดยแสดงให้เห็นว่าการซ้อนชั้น MLP แบบสลับไปมาระหว่างการผสมผสานข้อมูลตามแกนเวลา (time axis) และการผสมผสานข้อมูลตามช่องสัญญาณ (feature channels) สามารถให้ความแม่นยำในการพยากรณ์ที่สูง ในขณะที่ยังคงมีประสิทธิภาพด้านการคำนวณและง่ายต่อการตีความทางสถาปัตยกรรม
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Chen, S.-A., Li, C.-L., Yoder, N., Arik, S. O., & Pfister, T. (2023). TSMixer: An all-MLP architecture for time series forecasting. Transactions on Machine Learning Research. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). TSMixer (All-MLP Architecture for Forecasting). ScholarGate. https://scholargate.app/th/deep-learning/tsmixer
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
- เพอร์เซปตรอนหลายชั้น (MLP)การเรียนรู้เชิงลึก↔ compare
- TimeMixer: การผสมผสานหลายมาตราส่วนที่แยกส่วนได้สำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare