Machine learningTime-series forecasting
TimeMixer：可分解的多尺度混合时间序列预测
TimeMixer 是 Wang 等人于 ICLR 2024 提出的一个基于分解的、无注意力机制的时间序列预测架构。其核心思想是通过平均池化构建的多尺度时间尺度来解耦季节性和趋势分量，然后使用轻量级 MLP 块在这些尺度之间混合信息。通过分别处理粗粒度（以趋势为主）和细粒度（以季节性为主）的分辨率并组合它们的预测，TimeMixer 避免了注意力机制的二次成本，同时捕捉了局部和全局的时间模式。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 2). TimeMixer (Decomposable Multiscale Mixing). ScholarGate. https://scholargate.app/zh/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：时间序列预测的分解线性模型深度学习↔ compare
- TimesNet：面向时间序列的二维时变建模深度学习↔ compare
- TSMixer：全MLP架构用于时间序列预测深度学习↔ compare