模型框架

TimeMixer模型采用了一个多尺度混合架构，旨在解决时间序列预测中的复杂时间变化问题。该模型主要采用全MLP（多层感知机）架构，由过去可分解混合 (PDM) 和未来多预测器混合 (FMM) 两大块构成，能够有效利用多尺度序列信息。

PDM负责提取过去的信息并将不同尺度上的季节性和趋势组分分别混合。

FMM通过集成多个预测器（主要是）的方式来提高未来序列的预测准确性，每个预测器都基于不同尺度上的信息进行预测。

实验

长期预测数据集

ETT（Electricity Transformer Temperature）数据集：包含4个子集（ETTh1, ETTh2, ETTm1, ETTm2），主要信息为温度，以15分钟为频率记录，预测长度为96至720。

Weather：气象数据集，记录了21个变量，包括10分钟频率的气象信息，预测长度为96至720。

Solar-Energy：太阳能发电数据集，包含137个变量，记录了10分钟频率的电力信息，预测长度为96至720。

Electricity：电力消耗数据集，包含321个变量，记录了小时频率的电力信息，预测长度为96至720。

Traffic：交通流量数据集，包含862个变量，记录了小时频率的交通信息，预测长度为96至720。

短期预测数据集

PEMS（公共环境监测站）数据集：包含PEMS03、PEMS04、PEMS07和PEMS08四个公共交通网络数据集，分别记录了358、307、883和170个变量，预测长度为12，记录频率为5分钟。

M4数据集：包含不同频率的100000个时间序列，涵盖小时、日、周、月、季度和年度频率，主要用于短期预测。

效率和权重

效率对比

权重对比

TimeMixer模型的主要贡献和特点

多尺度混合架构：TimeMixer采用了创新的多尺度混合架构，有效处理时间序列数据在不同时间尺度上的变化。

解耦过去信息：通过Past-Decomposable-Mixing（PDM）模块，模型能够解耦时间序列的过去信息，提取季节性和趋势性特征。

互补预测能力：利用FutureMultipredictor-Mixing（FMM）模块，TimeMixer集成了多个预测器，以利用多尺度观测数据的互补性，提高预测精度。

高效的运行时间：得益于全MLP（多层感知机）基础架构，TimeMixer在运行时表现出了良好的效率，适合实时或近实时预测场景。

在一系列长期和短期的预测任务中，TimeMixer均取得了一致的先进性能，证明了其在时间序列预测领域的有效性。