AI 资源精选
  首页 >时间序列 >TimeMixer
访问数:255
TimeMixer

厂家:蚂蚁集团,清华大学

简介:

TimeMixer模型针对时间序列预测的复杂性提出了一个多尺度混合架构,旨在利用过去可分解混合(PDM)模块提取过去的关键信息,并通过未来多预测器混合(FMM)模块进行未来序列的预测。具体来说,TimeMixer首先通过平均下采样生成多尺度观测,然后PDM采用可分解设计更好地处理季节性和趋势变化的不同属性,通过在精细到粗略和粗略到精细方向上分别混合多尺度季节性和趋势组件。FMM在预测阶段集成多个预测器,利用多尺度观测中的互补预测能力。该模型在多个长期和短期预测任务中均实现了一致的最先进性能,并在所有实验中展现出卓越的效率。

  详细介绍 - TimeMixer

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。

640 (1).png

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

效率.png

权重对比

权重.png

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。


--文 by AixTong.com--
相关资讯 / AI资源