清华联合蚂蚁提出TimeMixer,可分解多尺度融合的时序预测模型 | ICLR 2024
©PaperWeekly 原创 · 作者 | 杜大钊
单位 | 中科院软件所
研究方向 | 时序建模
论文标题:
TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting
论文链接:
https://openreview.net/pdf?id=7oLshfEIC2
代码链接:
https://github.com/kwuking/TimeMixer
Key Point
AAAI 2023 N-HiTS:
https://zhuanlan.zhihu.com/p/573203887
ICLR 2023 Scaleformer:
https://zhuanlan.zhihu.com/p/535556231
1.1 Architecture
Multiscale Time Series:首先对输入序列进行不同程序的池化来下采样得到不同尺度的序列。 Past Decomposable Mixing:然后将每个尺度的序列都分解为趋势项(trend)和周期项(seasonal)(这里分解方法采用的是 Autoformer 中的方式,用一个大 window size 的滑动平均即可)。为了进行尺度间的交互,将每个尺度序列的 seasonal 项按照从下到上(bottom-up)的方式进行信息融合,将每个尺度序列的 trend 项按照从上到下(top-down)的方式进行信息融合。 Future Multipredictor Mixing:最后,将最后一个 block 输出的不同尺度的序列都用来预测,把所有尺度的预测结果加起来得到最终预测结果。
1.2 Past-Decomposable-Mixing
1.3 Future-Multipredictor-Mixing
实验
总结
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
📝 稿件基本要求:
• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注
• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题
• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道:
• 投稿邮箱:[email protected]
• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿
△长按添加PaperWeekly小编
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
微信扫码关注该文公众号作者