TimeMixer: Kiến trúc Phân rã Đa Tỷ lệ để Trộn Dữ liệu Chuỗi Thời gian cho Dự báo
TimeMixer là một kiến trúc dự báo chuỗi thời gian dựa trên phân rã, không sử dụng cơ chế attention, được giới thiệu bởi Wang và cộng sự tại ICLR 2024. Ý tưởng cốt lõi là tách biệt các thành phần theo mùa và xu hướng trên nhiều tỷ lệ thời gian được xây dựng bằng cách lấy trung bình cộng, sau đó trộn thông tin giữa các tỷ lệ này bằng các khối MLP nhẹ. Bằng cách xử lý riêng các độ phân giải thô (ưu tiên xu hướng) và tinh tế (ưu tiên theo mùa) và kết hợp các dự báo của chúng, TimeMixer tránh được chi phí bậc hai của cơ chế attention trong khi vẫn nắm bắt được cả các mẫu hình thời gian cục bộ và toàn cục.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/vi/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: Mô hình Tuyến tính Phân rã cho Dự báo Chuỗi Thời gianHọc sâu↔ compare
- TimesNet: Mô hình hóa Biến thiên 2D theo Thời gian cho Chuỗi Thời gianHọc sâu↔ compare
- TSMixer: Kiến trúc Toàn MLP cho Dự báo Chuỗi Thời gianHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →